model.add(layers.Dense(512,

activation='elu', input_dim=2048))

model.add(layers.Dense(512,

activation='elu', input_dim=1024))

model.add(layers.Dense(512,

activation='elu', input_dim=(32

model.add(layers.Dense(512,

activation='elu', input_dim=3072))

Техніка, що збільшує кількість даних шляхом додавання шуму.

Процес денормалізації вхідних даних до кожного шару, щоб прискорити навчання та стабілізувати активації.

Метод обмеження значень ваг для уникнення перенавчання.

Процес нормалізації вхідних даних до кожного шару, щоб прискорити навчання та стабілізувати активації.

model = models.Sequential()

from tensorflow.keras import optimizers

model.compile(loss='binary_crossentropy',

    optimizer=optimizers.RMSprop(learning_rate=2e-5),

model = models.Sequential()

from tensorflow.keras import optimizers

compile(loss='binary_crossentropy',

    optimizer=optimizers.RMSprop(learning_rate=2e-5),

model = models.Sequential()

from tensorflow.keras import optimizers

model(loss='binary_crossentropy',

    optimizer=optimizers.RMSprop(learning_rate=2e-5),

model = models.Sequential()

from tensorflow.keras import optimizers

model.compile(loss='binary_crossentropy',

    optimizer=optimizer.RMSprop(learning_rate=2e-5),

Вибір параметра Dropout.

Видалення зайвих ознак у даних.

Генерація випадкових поворотів, зсувів і масштабувань зображень.

Вибір найкращої моделі за точністю.

train_generator = train_datagen.flow_from_directory(

  train_dir,

  target_size=(150, 150),

  batch_size=20,

train_generator = train_datagen.flow_from_directory(

  train_dir,

  target_size=(150, 150),

  batch_size=20,

train_generator = train_datagen.flow_from_directory(

  train_dir,

  target_size=(150, 150),

  batch_size=20,

train_generator = train_datagen.flow_from_directory(

  train_dir,

  target_size=(150, 150),

  batch_size=20,

Цей параметр задає кроки

згортки, тобто крок переміщення вікна по висоті та ширині

Цей параметр задає розміри

перших двох параметрів тензора на виході цього шару, тобто висоту та ширину

Цей параметр задає кількість

каналів (

Цей параметр задає розміри

вікна згортки, тобто його висоту та ширину

history = model(partial_train_data, partial_train_targets,

                        validation_data=(val_data, val_targets),

                        epochs=num_epochs, batch_size=1, verbose=0)

history = model.fit(partial_train_data, partial_train_targets,

                        validation_data=(val_data, val_targets),

                        epochs=num_epochs, batch_size=1, verbose=0)

history = model.fit(partial_train_data, partial_train_targets,

                        validation_data=(val_data, val_targets),

                        epoc=num_epochs, batch=1, verbose=0)

history = fit(partial_train_data, partial_train_targets,

                        validation_data=(val_data, val_targets),

                        epochs=num_epochs, batch_size=1, verbose=0)

(64, 3, 3)

(12, 22,

64)

(12, 12,

64)

(30, 50,

64)

Визначення кількості шарів у мережі.

Максимізація функції втрат.

Мінімізація функції втрат шляхом налаштування ваг.

Визначення оптимальний значень гіперпараметрів для мережі.

Коли потрібно оцінити, наскільки добре модель пояснює варіативність залежної змінної.

Для вимірювання середньої абсолютної помилки.

Для моделювання квантилів розподілу цільової змінної.

Коли дані мають аномалії.