Ch&agrave;o mừng c&aacute;c bạn quay trở lại với loạt b&agrave;i về&nbsp;<a href="https://tek4.vn/keras-co-ban-bat-dau-hoc-sau-voi-tf-keras/" target="_blank" rel="noopener">Keras Cơ Bản</a>&nbsp;của<a href="https://tek4.vn/" target="_blank" rel="noopener">&nbsp;tek4.vn</a>. Trong b&agrave;i viết n&agrave;y ch&uacute;ng ta sẽ c&ugrave;ng nhau t&igrave;m hiểu về c&aacute;ch vẽ đồ thị đường cong học tập của m&ocirc; h&igrave;nh học s&acirc;u. Bắt đầu th&ocirc;i!
Xem th&ecirc;m b&agrave;i viết trước:&nbsp;<a href="https://tek4.vn/cach-visualize-mot-mo-hinh-hoc-sau-keras-co-ban/" target="_blank" rel="noopener">C&aacute;ch Visualize Một M&ocirc; H&igrave;nh Học S&acirc;u</a>
<img style="width: 681px; display: block; margin-left: auto; margin-right: auto;" src="http://tek4vn.2soft.top/public_files/50-png" alt="50" height="250" />
Đường cong học tập l&agrave; một biểu đồ về hiệu suất của m&ocirc; h&igrave;nh mạng nơ ron theo thời gian, chẳng hạn như được t&iacute;nh to&aacute;n v&agrave;o cuối mỗi epoch đ&agrave;o tạo.
C&aacute;c đồ thị đường cong học tập cung cấp c&aacute;i nh&igrave;n s&acirc;u sắc về động lực học tập của m&ocirc; h&igrave;nh, chẳng hạn như liệu m&ocirc; h&igrave;nh c&oacute; đang học tốt hay kh&ocirc;ng, liệu n&oacute; c&oacute; underfitting với tập dữ liệu đ&agrave;o tạo hay kh&ocirc;ng hoặc n&oacute; c&oacute; overfitting với tập dữ liệu đ&agrave;o tạo hay kh&ocirc;ng.
Bạn c&oacute; thể dễ d&agrave;ng tạo đường cong học tập cho c&aacute;c m&ocirc; h&igrave;nh học s&acirc;u của m&igrave;nh.
Trước ti&ecirc;n, bạn phải cập nhật lệnh gọi của m&igrave;nh th&agrave;nh h&agrave;m fit để bao gồm tham chiếu đến tập dữ liệu x&aacute;c thực. Tập x&aacute;c thực l&agrave; một phần của tập huấn luyện kh&ocirc;ng được sử dụng để đ&agrave;o tạo m&ocirc; h&igrave;nh m&agrave; thay v&agrave;o đ&oacute; được sử dụng để đ&aacute;nh gi&aacute; hiệu suất của m&ocirc; h&igrave;nh trong qu&aacute; tr&igrave;nh huấn luyện.
Bạn c&oacute; thể chia nhỏ dữ liệu theo c&aacute;ch thủ c&ocirc;ng v&agrave; chỉ định đối số validation_data hoặc bạn c&oacute; thể sử dụng đối số validation_split v&agrave; chỉ định phần trăm ph&acirc;n chia của tập dữ liệu đ&agrave;o tạo v&agrave; để API thực hiện ph&acirc;n t&aacute;ch cho bạn.
H&agrave;m fit sẽ trả về đối tượng&nbsp;history&nbsp;c&oacute; chứa dấu vết của c&aacute;c chỉ số hiệu suất được ghi lại ở cuối mỗi epoch đ&agrave;o tạo. Điều n&agrave;y bao gồm h&agrave;m mất m&aacute;t đ&atilde; chọn v&agrave; từng chỉ số được định cấu h&igrave;nh, chẳng hạn như độ ch&iacute;nh x&aacute;c, mất m&aacute;t v&agrave; chỉ số được t&iacute;nh to&aacute;n cho tập dữ liệu đ&agrave;o tạo v&agrave; x&aacute;c thực.
Đường cong học tập l&agrave; một biểu đồ của sự mất m&aacute;t tr&ecirc;n tập dữ liệu đ&agrave;o tạo v&agrave; tập dữ liệu x&aacute;c thực.
Ch&uacute;ng ta c&oacute; thể vẽ được đường cong học tập từ đối tượng history bằng thư viện&nbsp;<a href="https://matplotlib.org/">Matplotlib</a>&nbsp;.
V&iacute; dụ dưới đ&acirc;y ph&ugrave; hợp với một mạng nơ ron nhỏ trong b&agrave;i to&aacute;n ph&acirc;n loại nhị ph&acirc;n tổng hợp. Ph&acirc;n chia tập x&aacute;c thực l&agrave; 30 phần trăm được sử dụng để đ&aacute;nh gi&aacute; m&ocirc; h&igrave;nh trong qu&aacute; tr&igrave;nh đ&agrave;o tạo v&agrave; cross-entropy loss tr&ecirc;n tập dữ liệu x&aacute;c thực v&agrave; đ&agrave;o tạo sau đ&oacute; được vẽ đồ thị bằng c&aacute;ch sử dụng một biểu đồ đường.
<pre class="language-python"><code># example of plotting learning curves
from sklearn.datasets import make_classification
from tensorflow.keras import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.optimizers import SGD
from matplotlib import pyplot
# create the dataset
X, y = make_classification(n_samples=1000, n_classes=2, random_state=1)
# determine the number of input features
n_features = X.shape[1]
# define model
model = Sequential()
model.add(Dense(10, activation='relu', kernel_initializer='he_normal', input_shape=(n_features,)))
model.add(Dense(1, activation='sigmoid'))
# compile the model
sgd = SGD(learning_rate=0.001, momentum=0.8)
model.compile(optimizer=sgd, loss='binary_crossentropy')
# fit the model
history = model.fit(X, y, epochs=100, batch_size=32, verbose=0, validation_split=0.3)
# plot learning curves
pyplot.title('Learning Curves')
pyplot.xlabel('Epoch')
pyplot.ylabel('Cross Entropy')
pyplot.plot(history.history['loss'], label='train')
pyplot.plot(history.history['val_loss'], label='val')
pyplot.legend()
pyplot.show()</code></pre>
Chạy v&iacute; dụ fits với m&ocirc; h&igrave;nh tr&ecirc;n tập dữ liệu. Khi kết th&uacute;c qu&aacute; tr&igrave;nh chạy, đối tượng&nbsp;history&nbsp;được trả về v&agrave; được sử dụng l&agrave;m cơ sở để tạo biểu đồ đường.
Cross-entropy loss đối với tập dữ liệu đ&agrave;o tạo được truy cập th&ocirc;ng qua kh&oacute;a &lsquo;loss&rsquo; v&agrave; tổn thất tr&ecirc;n tập dữ liệu x&aacute;c thực được truy cập th&ocirc;ng qua kh&oacute;a &lsquo;val_loss&lsquo; tr&ecirc;n thuộc t&iacute;nh history của đối tượng history.
<img style="width: 681px; display: block; margin-left: auto; margin-right: auto;" src="http://tek4vn.2soft.top/public_files/50_1-png" alt="50_1" height="250" />
<a href="https://tek4.vn/cach-luu-va-load-lai-mot-mo-hinh-hoc-sau-keras-co-ban/" target="_blank" rel="noopener">B&agrave;i viết tiếp theo: C&aacute;ch lưu v&agrave; load m&ocirc; h&igrave;nh</a>
<hr />
Fanpage Facebook:&nbsp;<a href="https://www.facebook.com/tek4.vn/">TEK4.VN</a>&nbsp;
Tham gia cộng đồng để chia sẻ, trao đổi v&agrave; thảo luận:&nbsp;<a href="https://www.facebook.com/groups/tek4.vn/">TEK4.VN - Học Lập Tr&igrave;nh Miễn Ph&iacute;</a>

Admin

Cách Vẽ Đồ Thị Đường Cong Học Tập Của Mô Hình – Keras Cơ Bản

Cùng tác giả

Admin

Có liên quan