Kuidas kasutada mõõdikuid Pyasoni Kerasega süvitsi õppimiseks

Kuidas kasutada mõõdikuid Pyasoni Kerasega süvitsi õppimiseks

Kerase raamatukogu pakub võimalust sügavate õppemudelite koolitamisel arvutada standardsete mõõdikute komplekt ja sellest aru anda.

Lisaks standardsete mõõdikute pakkumisele klassifitseerimis- ja regressiooniprobleemide korral võimaldab Keras teil ka süvaõppemudelite koolitamisel määratleda oma kohandatud mõõdikud ja neist aru anda. See on eriti kasulik, kui soovite treeningu ajal jälgida jõudlusmõõtu, mis haarab paremini teie mudeli oskusi.

Selles õpetuses saate teada, kuidas kasutada sisseehitatud mõõdikuid ning kuidas määratleda ja kasutada oma mõõdikuid Kerase süvaõppemudelite koolitamisel.

Pärast selle õpetuse täitmist saate teada:

  • Kuidas Kerase mõõdikud töötavad ja kuidas saate neid oma mudelite koolitamisel kasutada.
  • Kuidas kasutada regressiooni- ja klassifitseerimismõõdikuid Kerases koos töötatud näidetega.
  • Kuidas määratleda ja kasutada Keras oma kohandatud mõõdikut koos töötanud näitega.

Alustage oma projekti minu uue raamatuga Deep Learning With Python, sh samm-sammult õpetused ja Pythoni lähtekood failid kõigi näidete jaoks.

Alustame.

  • Uuenda jaanuar / 2020: Uuendatud API Keras 2.3 ja TensorFlow 2.0 jaoks.
Mõõdikud ja kuidas kasutada kohandatud mõõdikuid Pyasoni Kerasega süvitsi õppimiseks

Mõõdikud ja kuidas kasutada kohandatud mõõdikuid Pyasoni Kerasega süvitsi õppimiseks
Foto: Indi Samarajiva, mõned õigused kaitstud.

Õpetuse ülevaade

See õpetus on jagatud 4 osaks; nemad on:

  1. Kerase mõõdikud
  2. Kerase regressioonimõõdikud
  3. Kerase klassifikatsioonimõõdikud
  4. Kohandatud mõõdikud Kerases

Kerase mõõdikud

Keras võimaldab loetleda mõõdikud, mida oma mudeli koolituse ajal jälgida.

Seda saate teha, määratesmõõdikud”Argument ja funktsioonide nimede (või funktsiooninimede varjunimede) loendi pakkumine koostama () teie mudeli funktsioon.

Näiteks:

Konkreetsed mõõdikud, mida loetlete, võivad olla Kerase funktsioonide nimed (nt mean_squared_error) või nende funktsioonide stringide varjunimed (näiteks 'mse').

Mõõdikute väärtused registreeritakse iga epohhi lõpus koolituse andmekogumis. Kui pakutakse ka valideerimisandmete kogumit, arvutatakse valideerimise andmekogumi jaoks ka salvestatud mõõdikud.

Kõik mõõdikud esitatakse üksikasjalikus väljundis ja ajalooobjektis, mis tagastati helistades sobiv () funktsioon. Mõlemal juhul kasutatakse mõõdiku väärtuste võtmena meetrilise funktsiooni nime. Valideerimise andmekogumi mõõdikute puhul kuvatakseval_”Võti lisatakse eesliide.

Treeningmõõdikutena saab kasutada nii kaotuse funktsioone kui ka selgelt määratletud Kerase mõõdikuid.

Kerase regressioonimõõdikud

Allpool on loetelu mõõdikutest, mida saate Kerasis kasutada regressiooniprobleemide korral.

  • Keskmine ruutviga: mean_squared_error, MSE või mse
  • Keskmine absoluutne viga: mean_absolute_error, MAE, mae
  • Keskmine absoluutprotsendi viga: keskmine_absoluutne_protsent_viga, MAPE, kaardistamine
  • Kosini lähedus: koosinus_lähedus, koosinus

Allpool toodud näide näitab neid 4 sisseehitatud regressioonimõõdikut lihtsa väljamõeldud regressiooniprobleemi kohta.

Märge: Teie tulemused võivad erineda, arvestades algoritmi või hindamisprotseduuri stohhastilist olemust või arvulise täpsuse erinevusi. Mõelge paar korda näitele ja võrrelge keskmist tulemust.

Näite käivitamine prindib meetrilised väärtused iga ajastu lõppu.

Seejärel luuakse 4 mõõdiku rea graafik treeninguperioodide kohta.

Regressiooniks sisseehitatud Kerase mõõdikute reajoon

Regressiooniks sisseehitatud Kerase mõõdikute reajoon

Pange tähele, et mõõdikud määrati stringi pseudonüümi väärtuste abil [‘mse‘, ‘mae‘, ‘mape‘, ‘cosine‘] ja neile viidati ajalooobjekti võtmeväärtustena, kasutades nende laiendatud funktsiooni nime.

Samuti võiksime mõõdikud täpsustada laiendatud nime abil järgmiselt:

Funktsioonide nimed saame ka otse määrata, kui need skripti imporditakse.

Kaotuse funktsioone saate kasutada ka mõõdikutena.

Näiteks võite kasutada keskmist ruutu logaritmilist viga (mean_squared_logaritmiline_viga, MSLE või msle) kaotusfunktsioon mõõdikuna järgmiselt:

Kerase klassifikatsioonimõõdikud

Allpool on loetelu mõõdikutest, mida saate Kerasis klassifitseerimisprobleemide korral kasutada.

  • Binaarne täpsus: binaarne täpsus, acc
  • Kategooriline täpsus: kategooriline_täpsus, acc
  • Hõre kategooriline täpsus: hõre_kategooria_täpsus
  • Üles k kategooriline täpsus: top_k_categorical_accuracy (nõuab parameetri ak määramist)
  • Hõre Top k kategooriline täpsus: sparse_top_k_categorical_accuracy (nõuab ak-parameetri määramist)

Täpsus on eriline.

Sõltumata sellest, kas teie probleem on binaarne või mitme klassi liigitusprobleem, saate määrata 'täpsus'mõõdik täpsuse aruandmiseks.

Allpool on toodud näide binaarse klassifikatsiooni probleemist koos sisseehitatud täpsusmõõdikuga.

Märge: Teie tulemused võivad erineda, arvestades algoritmi või hindamisprotseduuri stohhastilist olemust või arvulise täpsuse erinevusi. Mõelge paar korda näitele ja võrrelge keskmist tulemust.

Näite esitamine annab täpsuse iga treeninguperioodi lõpus.

Luuakse joondiagramm täpsusega ajastule.

Klassifitseerimiseks sisseehitatud Kerase mõõdikute reajoon

Klassifitseerimiseks sisseehitatud Kerase mõõdikute reajoon

Kohandatud mõõdikud Kerases

Samuti saate määratleda oma mõõdikud ja funktsiooni loendi funktsioonide loendis.mõõdikud”Argument helistades koostama () funktsioon.

Mõõdik, mida mulle sageli meeldib jälgida, on keskmise keskmise ruutviga ehk RMSE.

Saate aimu, kuidas kohandatud mõõdikut kirjutada, uurides olemasoleva mõõdiku koodi.

Näiteks on allpool keskmises ruutus_error kaotuse funktsiooni ja mõõdiku kood Kerases.

K on Kerase kasutatav taustaprogramm.

Selle näite ja teiste kahjufunktsioonide näidete põhjal ...

Samuti võite olla huvitatud