
162
|
第
4
章
history = model.fit(trainds,
validation_data=evalds,
epochs=NUM_CHECKPOINTS,
steps_per_epoch=steps_per_epoch,
batch_size=BATCH_SIZE,
callbacks=[cp_callback])
图
4
-
12
:根据检查点之间所需的步数来定义虚拟轮次。
当你获得更多数据时,首先使用旧设置对其进行训练,然后增加样本数量以反映新
数据,最后更改
STOP_POINT
以确定达到收敛必须遍历数据的次数。
现在,即使使用超参数调优(在本章后面讨论)也是安全的,并且保留了步数不变
的优点。
设计模式
13
:迁移学习
在迁移学习设计模式中,我们将使用以前训练过的模型,冻结权值,并将这些不可
训练的层合并到一个新模型中,该模型可以解决相似的问题,但需要的数据集较小。
问题
在非结构化数据上训练自定义机器学习模型需要非常大的数据集,而这些数据集并
不容易获得。例如,一个通过手臂
X
光片识别是否存在骨折的模型。为了获得较高
的准确率,将需要成千上万个图像。在模型学习骨折的样子之前,首先要理解作为
图像一部分的像素、边缘和形状的意义。基于文本数据训练的模型也是如此。假设
我们正在构建一个模型,该模型根据患者症状的描述来预测与这些症状相关的状况。
除了学习哪些词可以区分感冒和肺炎 ...