محل بررسی مدل های شبکه عصبی

مدل های شبکه عصبی

مدل های یادگیری عمیق می توانند ساعت ها، روزها یا حتی هفته ها آموزش ببینند. اگر اجرا به طور غیر منتظره متوقف شود، شما می توانید کارهای زیادی را از دست بدهید. در این جا می گوییم که چگونه می توانید مدل های یادگیری عمیق خود را در طول تمرینات در پایتون با استفاده از کتابخانه Keras بررسی کنید.

چک کردن شبکه عصبی

این رویکردی است که در آن یک عکس فوری از وضعیت سیستم در صورت خرابی سیستم گرفته می شود. اگر مشکلی وجود داشته باشد، همه چیز از بین نمی رود. نقطه بازرسی ممکن است به طور مستقیم مورد استفاده قرار گیرد، یا به عنوان نقطه شروع برای اجرای جدید استفاده شود، از جایی که متوقف شد. هنگام آموزش مدل های یادگیری عمیق، چک پوینت وزن های مدل را بررسی می کند. این وزن ها را می‌توان برای پیش‌بینی به‌عنوان پایه‌ای برای تمرین مداوم استفاده کرد.

کتابخانه Keras

کلاس callback ModelCheckpoint به شما امکان می دهد تعیین کنید که وزن مدل را کجا باید چک کنید، فایل چگونه باید نامگذاری شود و تحت چه شرایطی باید یک چک پوینت مدل ایجاد کنید.

ذخیره وزن ها

API به شما امکان می‌دهد تعیین کنید کدام معیار را نظارت کنید، به عنوان مثال: خطا یا دقت در مجموعه آموزشی یا اعتبارسنجی. شما می توانید مشخص کنید که آیا به دنبال بهبودی در به حداکثر رساندن یا به حداقل رساندن امتیاز باشید.

نام فایل

در نهایت، نام فایلی که برای ذخیره وزن ها استفاده می کنید می تواند شامل متغیرهایی مانند عدد دوره یا متریک باشد. سپس هنگام فراخوانی تابع fit() بر روی مدل، ModelCheckpoint می‌تواند به فرآیند آموزش منتقل شود. توجه داشته باشید، ممکن است لازم باشد کتابخانه h5py را برای خروجی وزن شبکه با فرمت HDF5 نصب کنید.

بهبود شبکه عصبی

یک استفاده خوب از چک پوینت، خروجی وزن های مدل هر بار که پیشرفتی در طول تمرین مشاهده می شود، است.