Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • Ejemplo 1-WPS Office

    Cargado por

    cairong400
    13 vistas3 páginas
    El documento muestra código para definir, compilar y entrenar modelos de deep learning usando Keras/TensorFlow. Se define un modelo secuencial con capas densas, dropout y activación, se compila usando Adam y pérdida cruzada categórica, y se entrena durante 50 épocas en lotes de 128 usando datos de entrenamiento y validación.

    Descripción original:

    Solo otro ejemplo

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Denunciar este documento
    El documento muestra código para definir, compilar y entrenar modelos de deep learning usando Keras/TensorFlow. Se define un modelo secuencial con capas densas, dropout y activación, se compila usando Adam y pérdida cruzada categórica, y se entrena durante 50 épocas en lotes de 128 usando datos de entrenamiento y validación.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Marcar por contenido inapropiado
    13 vistas3 páginas

    Ejemplo 1-WPS Office

    Cargado por

    cairong400
    El documento muestra código para definir, compilar y entrenar modelos de deep learning usando Keras/TensorFlow. Se define un modelo secuencial con capas densas, dropout y activación, se compila usando Adam y pérdida cruzada categórica, y se entrena durante 50 épocas en lotes de 128 usando datos de entrenamiento y validación.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Marcar por contenido inapropiado
    de 3

    Ejemplo 1

    from keras.models import Sequential

    from keras.layers import Dense, Activation, Dropout

    from keras.optimizers import Adam

    # Definir el modelo

    model = Sequential()

    # Agregar las capas de entrada y primera oculta

    model.add(Dense(64, input_shape=(100,), activation='relu'))

    model.add(Dropout(0.5))

    # Agregar la segunda capa oculta

    model.add(Dense(64, activation='relu'))

    model.add(Dropout(0.5))

    # Agregar la capa de salida

    model.add(Dense(10, activation='softmax'))

    # Compilar el modelo

    model.compile(loss='categorical_crossentropy',

    optimizer=Adam(lr=0.001),

    metrics=['accuracy'])

    # Entrenar el modelo
    model.fit(x_train, y_train,

    epochs=50,

    batch_size=128,

    validation_data=(x_val, y_val))

    Ejemplo 2

    import tensorflow as tf

    # Definir el modelo

    model = tf.keras.models.Sequential([

    tf.keras.layers.Dense(64, input_shape=(100,), activation='relu'),

    tf.keras.layers.Dropout(0.5),

    tf.keras.layers.Dense(64, activation='relu'),

    tf.keras.layers.Dropout(0.5),

    tf.keras.layers.Dense(10, activation='softmax')

    ])

    # Compilar el modelo

    model.compile(optimizer=tf.keras.optimizers.Adam(lr=0.001),

    loss='categorical_crossentropy',

    metrics=['accuracy'])

    # Entrenar el modelo
    model.fit(x_train, y_train, epochs=50, batch_size=128, validation_data=(x_val, y_val))

    También podría gustarte