Wybierz przesłany zestaw danych w zakładce " Zbiory danych"
Model
Teraz nadchodzi sedno tego projektu. Ale z Deep Learning Studio jest to najłatwiejsza część. Użyjemy tylko 4 warstw, aby sklasyfikować rasy psów i uzyskać do 88% dokładności. Zobaczmy, jak!
Po lewej: Architektura modelu , Prawa: pełny widok
Będziemy używać WideResNet do klasyfikacji naszego zbioru danych. Możesz po prostu przeciągnąć uprzednio wyszkolony model WideResNet z lewego panelu i gotowe! Czy widzisz, jakie to proste !?
Hiperparametry:
W przypadku każdego modelu Deep Learning, hiperparametry odgrywają ważną rolę. W tym przypadku użyjemy Adama Optimizera z categorical_crossentropy jako funkcję utraty.
Używamy kategorycznej entropii krzyżowej jako funkcji straty, ponieważ mamy kategoryczny wynik (dowolna ze 120 ras) z 25 epokami.
Model
Teraz nadchodzi sedno tego projektu. Ale z Deep Learning Studio jest to najłatwiejsza część. Użyjemy tylko 4 warstw, aby sklasyfikować rasy psów i uzyskać do 88% dokładności. Zobaczmy, jak!
Po lewej: Architektura modelu , Prawa: pełny widok
Będziemy używać WideResNet do klasyfikacji naszego zbioru danych. Możesz po prostu przeciągnąć uprzednio wyszkolony model WideResNet z lewego panelu i gotowe! Czy widzisz, jakie to proste !?
Hiperparametry:
W przypadku każdego modelu Deep Learning, hiperparametry odgrywają ważną rolę. W tym przypadku użyjemy Adama Optimizera z categorical_crossentropy jako funkcję utraty.
Używamy kategorycznej entropii krzyżowej jako funkcji straty, ponieważ mamy kategoryczny wynik (dowolna ze 120 ras) z 25 epokami.