Cum să reduci supraadaptarea folosind constrângerile de greutate în Keras
Ultima actualizare pe 25 august 2020
Constrângerile de greutate oferă o abordare pentru a reduce supraadaptarea unui model de rețea neuronală de învățare profundă pe datele de antrenament și pentru a îmbunătăți performanța modelului pe date noi, cum ar fi setul de testare a rezistenței.
Există mai multe tipuri de constrângeri de greutate, cum ar fi normele vectoriale maxime și unitare, iar unele necesită un hiperparametru care trebuie configurat.
În acest tutorial, veți descoperi API-ul Keras pentru adăugarea de constrângeri de greutate la modelele de rețea neuronală de învățare profundă pentru a reduce supraadaptarea.
După finalizarea acestui tutorial, veți ști:
- Cum se creează constrângeri de normă vectorială folosind API-ul Keras.
- Cum se adaugă constrângeri de greutate la straturile MLP, CNN și RNN folosind API-ul Keras.
- Cum se reduce supraadaptarea prin adăugarea unei constrângeri de greutate unui model existent.
Lansați proiectul cu noua mea carte Better Deep Learning, inclusiv tutoriale pas cu pas și fișierele de cod sursă Python pentru toate exemplele.
Să începem.
- Actualizat martie/2019: s-a remediat greșeala folosind egalitatea în loc de atribuire în unele exemple de utilizare.
- Actualizat oct/2019: Actualizat pentru Keras 2.3 și TensorFlow 2.0.
