50

100

25

20

history = model.fit(

train_generator,

steps_per_epoch=100,

epochs=30,

validation_data=validation_generator,

history = fit(

train_generator,

steps_per_epoch=100,

epochs=30,

validation_data=validation_generator,

history = model.compile(

train_generator,

steps_per_epoch=100,

epochs=30,

validation_data=validation_generator,

history = model(

train_generator,

steps_per_epoch=100,

epochs=30,

validation_data=validation_generator,

Техніка зупинки навчання, коли продуктивність на валідаційних даних перестає покращуватись.

Алгоритм, який зупиняє модель після досягнення 100% точності на тренувальних даних.

Процес, що видаляє частину даних з навчальної вибірки.

Метод регуляризації, який передбачає зменшення Learning Rate після кожної епохи.

Для навчання нейронної

мережі на даних, які формуються train_generator,

зі збереженням втрат та

точності лише для навчальних даних

Для навчання нейронної

мережі на даних, які формуються validation_generator,

зі збереженням втрат та

точності для навчальних та валідаційних даних

Для навчання нейронної

мережі на даних, які формуються train_generator,

зі збереженням втрат та

точності для навчальних та валідаційних даних

Для навчання нейронної

мережі на даних, які формуються train_generator,

зі збереженням втрат та

точності лише для валідаційних даних

(30, 50,

32)

(28, 48,

32)

(26, 48,

32)

(26, 46,

32)

from keras import models

model = models.Sequential()

compile(optimizer='rmsprop', loss='mse', metrics=['mae'])

from keras models

model = models.Sequential()

model.compile(optimizer='rmsprop', loss='mse', metrics=['mae'])

from keras import models

model = model.Sequential()

model.compile(optimizer='rmsprop', loss='mse', metrics=['mae'])

from keras import models

model = models.Sequential()

model.compile(optimizer='rmsprop', loss='mse', metrics=['mae'])

Так: висота та ширина

зображень візуалізації після другого шару в два рази більша, ніж після першого

шару

Ні: висота та ширина

зображень візуалізації після другого шару така сама, як після першого шару

Так: висота та ширина

зображень візуалізації після другого шару в чотири рази менша, ніж після

першого шару

Так: висота та ширина

зображень візуалізації після другого шару в два рази менша, ніж після першого

шару

0.12

0.26

0.43

0.18

Квантильна функція втрат (Quantile Loss).

Середньоквадратична помилка (MSE).

Губерова функція втрат (Huber Loss).

Log-Cosh Loss.

0.42

0.63

0.58

0.28