Kerasによるディープラーニング-モデルのコンパイル

コンパイルは、 compile という単一のメソッド呼び出しを使用して実行されます。

model.compile(loss='categorical_crossentropy', metrics=['accuracy'], optimizer='adam')

*compile* メソッドにはいくつかのパラメーターが必要です。 損失パラメーターは、タイプ *'categorical_crossentropy'* を持つように指定されています。 metricsパラメーターは *'accuracy'* に設定され、最後に *adam* オプティマイザーを使用してネットワークをトレーニングします。 この段階での出力を以下に示します-

コンパイル方法

これで、データをネットワークにフィードする準備が整いました。

データのロード

前述のように、Kerasが提供する mnist データセットを使用します。データをシステムにロードすると、トレーニングデータとテストデータに分割されます。データは次のように load_data メソッドを呼び出すことによってロードされます-

(X_train, y_train), (X_test, y_test) = mnist.load_data()

この段階での出力は次のようになります-

データのロード

次に、ロードされたデータセットの構造を学習します。

私たちに提供されるデータは、サイズが28 x 28ピクセルのグラフィックイメージであり、それぞれに0〜9の1桁が含まれています。最初の10個の画像をコンソールに表示します。そうするためのコードを以下に示します-

# printing first 10 images
for i in range(10):

plot.subplot(3,5,i+1)
plot.tight_layout()
plot.imshow(X_train[i], cmap='gray', interpolation='none')
plot.title("Digit: {}".format(y_train[i]))
plot.xticks([])
plot.yticks([])

10カウントの反復ループで、各反復でサブプロットを作成し、その中に X_train ベクトルからの画像を表示します。対応する y_train ベクトルの各画像にタイトルを付けます。 y_train ベクトルには、 X_train ベクトル内の対応する画像の実際の値が含まれていることに注意してください。 null引数を指定して2つのメソッド xticks および yticks を呼び出すことにより、x軸とy軸のマーキングを削除します。コードを実行すると、次の出力が表示されます-

データポイントの調査

次に、ネットワークに供給するためのデータを準備します。

Deep-learning-with-keras-compiling-the-model

Kerasによるディープラーニング-モデルのコンパイル

データのロード