ML Community Day คือวันที่ 9 พฤศจิกายน! ร่วมกับเราสำหรับการปรับปรุงจาก TensorFlow, JAX และอื่น ๆ เรียนรู้เพิ่มเติม

การจัดประเภทข้อความด้วย TensorFlow Hub: บทวิจารณ์ภาพยนตร์

ดูบน ทำงานใน Google Colab ดูบน GitHub ดาวน์โหลดโน๊ตบุ๊ค ดูรุ่น TF Hub

สมุดบันทึกนี้จัดประเภทบทวิจารณ์ภาพยนตร์เป็น บวก หรือ ลบ โดยใช้ข้อความของบทวิจารณ์ นี่คือตัวอย่างของการจำแนก เลขฐาน สองหรือสองคลาส ซึ่งเป็นปัญหาการเรียนรู้ของเครื่องที่สำคัญและนำไปใช้ได้อย่างกว้างขวาง

บทช่วยสอนนี้สาธิตการใช้งานพื้นฐานของการถ่ายโอนการเรียนรู้ด้วย TensorFlow Hub และ Keras

ใช้ ชุดข้อมูล IMDB ที่มีข้อความบทวิจารณ์ภาพยนตร์ 50,000 เรื่องจาก ฐานข้อมูลภาพยนตร์อินเทอร์เน็ต สิ่งเหล่านี้แบ่งออกเป็น 25,000 รีวิวสำหรับการฝึกอบรมและ 25,000 รีวิวสำหรับการทดสอบ ชุดการฝึกอบรมและการทดสอบมี ความสมดุล ซึ่งหมายความว่าประกอบด้วยบทวิจารณ์เชิงบวกและเชิงลบจำนวนเท่ากัน

สมุดบันทึกนี้ใช้ tf.keras ซึ่งเป็น API ระดับสูงเพื่อสร้างและฝึกโมเดลใน TensorFlow และ tensorflow_hub ซึ่งเป็นไลบรารีสำหรับการโหลดโมเดลที่ได้รับการฝึกจาก TFHub ในโค้ดบรรทัดเดียว สำหรับบทแนะนำการจัดประเภทข้อความขั้นสูงโดยใช้ tf.keras โปรดดู คู่มือการจัดประเภทข้อความ MLCC

pip install tensorflow-hub
pip install tensorflow-datasets
import os
import numpy as np

import tensorflow as tf
import tensorflow_hub as hub
import tensorflow_datasets as tfds

print("Version: ", tf.__version__)
print("Eager mode: ", tf.executing_eagerly())
print("Hub version: ", hub.__version__)
print("GPU is", "available" if tf.config.list_physical_devices("GPU") else "NOT AVAILABLE")
Version:  2.5.0
Eager mode:  True
Hub version:  0.12.0
GPU is available

ดาวน์โหลดชุดข้อมูล IMDB

ชุดข้อมูล IMDB มีอยู่ในการ ตรวจ ทาน imdb หรือ ชุดข้อมูล TensorFlow โค้ดต่อไปนี้ดาวน์โหลดชุดข้อมูล IMDB ไปยังเครื่องของคุณ (หรือรันไทม์ colab):

# Split the training set into 60% and 40% to end up with 15,000 examples
# for training, 10,000 examples for validation and 25,000 examples for testing.
train_data, validation_data, test_data = tfds.load(
    split=('train[:60%]', 'train[60%:]', 'test'),


ใช้เวลาสักครู่เพื่อทำความเข้าใจรูปแบบของข้อมูล แต่ละตัวอย่างคือประโยคที่แสดงถึงบทวิจารณ์ภาพยนตร์และป้ายกำกับที่เกี่ยวข้อง ประโยคไม่ได้ดำเนินการล่วงหน้า แต่อย่างใด ป้ายกำกับเป็นค่าจำนวนเต็ม 0 หรือ 1 โดยที่ 0 คือบทวิจารณ์เชิงลบ และ 1 คือบทวิจารณ์เชิงบวก

มาพิมพ์ตัวอย่าง 10 ตัวอย่างแรกกัน

train_examples_batch, train_labels_batch = next(iter(train_data.batch(10)))
<tf.Tensor: shape=(10,), dtype=string, numpy=
array([b"This was an absolutely terrible movie. Don't be lured in by Christopher Walken or Michael Ironside. Both are great actors, but this must simply be their worst role in history. Even their great acting could not redeem this movie's ridiculous storyline. This movie is an early nineties US propaganda piece. The most pathetic scenes were those when the Columbian rebels were making their cases for revolutions. Maria Conchita Alonso appeared phony, and her pseudo-love affair with Walken was nothing but a pathetic emotional plug in a movie that was devoid of any real meaning. I am disappointed that there are movies like this, ruining actor's like Christopher Walken's good name. I could barely sit through it.",
       b'I have been known to fall asleep during films, but this is usually due to a combination of things including, really tired, being warm and comfortable on the sette and having just eaten a lot. However on this occasion I fell asleep because the film was rubbish. The plot development was constant. Constantly slow and boring. Things seemed to happen, but with no explanation of what was causing them or why. I admit, I may have missed part of the film, but i watched the majority of it and everything just seemed to happen of its own accord without any real concern for anything else. I cant recommend this film at all.',
       b'Mann photographs the Alberta Rocky Mountains in a superb fashion, and Jimmy Stewart and Walter Brennan give enjoyable performances as they always seem to do. <br /><br />But come on Hollywood - a Mountie telling the people of Dawson City, Yukon to elect themselves a marshal (yes a marshal!) and to enforce the law themselves, then gunfighters battling it out on the streets for control of the town? <br /><br />Nothing even remotely resembling that happened on the Canadian side of the border during the Klondike gold rush. Mr. Mann and company appear to have mistaken Dawson City for Deadwood, the Canadian North for the American Wild West.<br /><br />Canadian viewers be prepared for a Reefer Madness type of enjoyable howl with this ludicrous plot, or, to shake your head in disgust.',
       b'This is the kind of film for a snowy Sunday afternoon when the rest of the world can go ahead with its own business as you descend into a big arm-chair and mellow for a couple of hours. Wonderful performances from Cher and Nicolas Cage (as always) gently row the plot along. There are no rapids to cross, no dangerous waters, just a warm and witty paddle through New York life at its best. A family film in every sense and one that deserves the praise it received.',
       b'As others have mentioned, all the women that go nude in this film are mostly absolutely gorgeous. The plot very ably shows the hypocrisy of the female libido. When men are around they want to be pursued, but when no "men" are around, they become the pursuers of a 14 year old boy. And the boy becomes a man really fast (we should all be so lucky at this age!). He then gets up the courage to pursue his true love.',
       b"This is a film which should be seen by anybody interested in, effected by, or suffering from an eating disorder. It is an amazingly accurate and sensitive portrayal of bulimia in a teenage girl, its causes and its symptoms. The girl is played by one of the most brilliant young actresses working in cinema today, Alison Lohman, who was later so spectacular in 'Where the Truth Lies'. I would recommend that this film be shown in all schools, as you will never see a better on this subject. Alison Lohman is absolutely outstanding, and one marvels at her ability to convey the anguish of a girl suffering from this compulsive disorder. If barometers tell us the air pressure, Alison Lohman tells us the emotional pressure with the same degree of accuracy. Her emotional range is so precise, each scene could be measured microscopically for its gradations of trauma, on a scale of rising hysteria and desperation which reaches unbearable intensity. Mare Winningham is the perfect choice to play her mother, and does so with immense sympathy and a range of emotions just as finely tuned as Lohman's. Together, they make a pair of sensitive emotional oscillators vibrating in resonance with one another. This film is really an astonishing achievement, and director Katt Shea should be proud of it. The only reason for not seeing it is if you are not interested in people. But even if you like nature films best, this is after all animal behaviour at the sharp edge. Bulimia is an extreme version of how a tormented soul can destroy her own body in a frenzy of despair. And if we don't sympathise with people suffering from the depths of despair, then we are dead inside.",
       b'Okay, you have:<br /><br />Penelope Keith as Miss Herringbone-Tweed, B.B.E. (Backbone of England.) She\'s killed off in the first scene - that\'s right, folks; this show has no backbone!<br /><br />Peter O\'Toole as Ol\' Colonel Cricket from The First War and now the emblazered Lord of the Manor.<br /><br />Joanna Lumley as the ensweatered Lady of the Manor, 20 years younger than the colonel and 20 years past her own prime but still glamourous (Brit spelling, not mine) enough to have a toy-boy on the side. It\'s alright, they have Col. Cricket\'s full knowledge and consent (they guy even comes \'round for Christmas!) Still, she\'s considerate of the colonel enough to have said toy-boy her own age (what a gal!)<br /><br />David McCallum as said toy-boy, equally as pointlessly glamourous as his squeeze. Pilcher couldn\'t come up with any cover for him within the story, so she gave him a hush-hush job at the Circus.<br /><br />and finally:<br /><br />Susan Hampshire as Miss Polonia Teacups, Venerable Headmistress of the Venerable Girls\' Boarding-School, serving tea in her office with a dash of deep, poignant advice for life in the outside world just before graduation. Her best bit of advice: "I\'ve only been to Nancherrow (the local Stately Home of England) once. I thought it was very beautiful but, somehow, not part of the real world." Well, we can\'t say they didn\'t warn us.<br /><br />Ah, Susan - time was, your character would have been running the whole show. They don\'t write \'em like that any more. Our loss, not yours.<br /><br />So - with a cast and setting like this, you have the re-makings of "Brideshead Revisited," right?<br /><br />Wrong! They took these 1-dimensional supporting roles because they paid so well. After all, acting is one of the oldest temp-jobs there is (YOU name another!)<br /><br />First warning sign: lots and lots of backlighting. They get around it by shooting outdoors - "hey, it\'s just the sunlight!"<br /><br />Second warning sign: Leading Lady cries a lot. When not crying, her eyes are moist. That\'s the law of romance novels: Leading Lady is "dewy-eyed."<br /><br />Henceforth, Leading Lady shall be known as L.L.<br /><br />Third warning sign: L.L. actually has stars in her eyes when she\'s in love. Still, I\'ll give Emily Mortimer an award just for having to act with that spotlight in her eyes (I wonder . did they use contacts?)<br /><br />And lastly, fourth warning sign: no on-screen female character is "Mrs." She\'s either "Miss" or "Lady."<br /><br />When all was said and done, I still couldn\'t tell you who was pursuing whom and why. I couldn\'t even tell you what was said and done.<br /><br />To sum up: they all live through World War II without anything happening to them at all.<br /><br />OK, at the end, L.L. finds she\'s lost her parents to the Japanese prison camps and baby sis comes home catatonic. Meanwhile (there\'s always a "meanwhile,") some young guy L.L. had a crush on (when, I don\'t know) comes home from some wartime tough spot and is found living on the street by Lady of the Manor (must be some street if SHE\'s going to find him there.) Both war casualties are whisked away to recover at Nancherrow (SOMEBODY has to be "whisked away" SOMEWHERE in these romance stories!)<br /><br />Great drama.',
       b'The film is based on a genuine 1950s novel.<br /><br />Journalist Colin McInnes wrote a set of three "London novels": "Absolute Beginners", "City of Spades" and "Mr Love and Justice". I have read all three. The first two are excellent. The last, perhaps an experiment that did not come off. But McInnes\'s work is highly acclaimed; and rightly so. This musical is the novelist\'s ultimate nightmare - to see the fruits of one\'s mind being turned into a glitzy, badly-acted, soporific one-dimensional apology of a film that says it captures the spirit of 1950s London, and does nothing of the sort.<br /><br />Thank goodness Colin McInnes wasn\'t alive to witness it.',
       b'I really love the sexy action and sci-fi films of the sixties and its because of the actress\'s that appeared in them. They found the sexiest women to be in these films and it didn\'t matter if they could act (Remember "Candy"?). The reason I was disappointed by this film was because it wasn\'t nostalgic enough. The story here has a European sci-fi film called "Dragonfly" being made and the director is fired. So the producers decide to let a young aspiring filmmaker (Jeremy Davies) to complete the picture. They\'re is one real beautiful woman in the film who plays Dragonfly but she\'s barely in it. Film is written and directed by Roman Coppola who uses some of his fathers exploits from his early days and puts it into the script. I wish the film could have been an homage to those early films. They could have lots of cameos by actors who appeared in them. There is one actor in this film who was popular from the sixties and its John Phillip Law (Barbarella). Gerard Depardieu, Giancarlo Giannini and Dean Stockwell appear as well. I guess I\'m going to have to continue waiting for a director to make a good homage to the films of the sixties. If any are reading this, "Make it as sexy as you can"! I\'ll be waiting!',
       b'Sure, this one isn\'t really a blockbuster, nor does it target such a position. "Dieter" is the first name of a quite popular German musician, who is either loved or hated for his kind of acting and thats exactly what this movie is about. It is based on the autobiography "Dieter Bohlen" wrote a few years ago but isn\'t meant to be accurate on that. The movie is filled with some sexual offensive content (at least for American standard) which is either amusing (not for the other "actors" of course) or dumb - it depends on your individual kind of humor or on you being a "Bohlen"-Fan or not. Technically speaking there isn\'t much to criticize. Speaking of me I find this movie to be an OK-movie.'],

มาพิมพ์ฉลาก 10 ตัวแรกกัน

<tf.Tensor: shape=(10,), dtype=int64, numpy=array([0, 0, 0, 1, 1, 1, 0, 0, 0, 0])>


โครงข่ายประสาทเทียมถูกสร้างขึ้นโดยการซ้อนเลเยอร์ ซึ่งต้องใช้การตัดสินใจทางสถาปัตยกรรมหลักสามประการ:

  • วิธีการแสดงข้อความ?
  • ต้องใช้กี่ชั้นในโมเดล?
  • แต่ละชั้นจะใช้ หน่วยที่ซ่อนอยู่ กี่ หน่วย ?

ในตัวอย่างนี้ ข้อมูลที่ป้อนประกอบด้วยประโยค ป้ายกำกับที่จะคาดการณ์คือ 0 หรือ 1

วิธีหนึ่งในการแสดงข้อความคือการแปลงประโยคเป็นเวกเตอร์การฝัง ใช้การฝังข้อความที่ฝึกไว้ล่วงหน้าเป็นเลเยอร์แรก ซึ่งจะมีข้อดีสามประการ:

  • คุณไม่ต้องกังวลกับการประมวลผลข้อความล่วงหน้า
  • ได้รับประโยชน์จากการถ่ายโอนการเรียนรู้
  • การฝังมีขนาดคงที่ ดังนั้นจึงง่ายต่อการดำเนินการ

สำหรับตัวอย่างนี้ คุณใช้ โมเดลการฝังข้อความที่ได้รับการฝึกอบรมล่วงหน้า จาก TensorFlow Hub ที่ เรียกว่า google/nnlm-en-dim50/2

มีการฝังข้อความล่วงหน้าอื่นๆ อีกมากมายจาก TFHub ที่สามารถใช้ในบทช่วยสอนนี้:

  • google/nnlm-en-dim128/2 - ฝึกฝนด้วยสถาปัตยกรรม NNLM เดียวกันกับข้อมูลเดียวกันกับ google/nnlm-en-dim50/2 แต่มีขนาดการฝังที่ใหญ่กว่า การฝังมิติที่ใหญ่ขึ้นสามารถปรับปรุงงานของคุณได้ แต่อาจใช้เวลานานกว่าในการฝึกโมเดลของคุณ
  • google/nnlm-en-dim128-with-normalization/2 - เหมือนกับ google/nnlm-en-dim128/2 แต่มีการทำให้ข้อความเป็นมาตรฐานเพิ่มเติม เช่น การลบเครื่องหมายวรรคตอน วิธีนี้สามารถช่วยได้หากข้อความในงานของคุณมีอักขระหรือเครื่องหมายวรรคตอนเพิ่มเติม
  • google/universal-sentence-encoder/4 - โมเดลที่ใหญ่กว่ามากซึ่งให้ผลการฝัง 512 มิติที่ฝึกด้วยตัวเข้ารหัสเครือข่ายที่มีค่าเฉลี่ยเชิงลึก (DAN)

และอื่น ๆ อีกมากมาย! ค้นหา โมเดลการฝังข้อความ เพิ่มเติมใน TFHub

ขั้นแรก มาสร้างเลเยอร์ Keras ที่ใช้โมเดล TensorFlow Hub เพื่อฝังประโยค และลองใช้ตัวอย่างอินพุตสองสามตัวอย่าง โปรดทราบว่าไม่ว่าข้อความอินพุตจะมีความยาว (num_examples, embedding_dimension) รูปร่างเอาต์พุตของการฝังจะเป็น: (num_examples, embedding_dimension)

embedding = ""
hub_layer = hub.KerasLayer(embedding, input_shape=[], 
                           dtype=tf.string, trainable=True)
<tf.Tensor: shape=(3, 50), dtype=float32, numpy=
array([[ 0.5423195 , -0.0119017 ,  0.06337538,  0.06862972, -0.16776837,
        -0.10581174,  0.16865303, -0.04998824, -0.31148055,  0.07910346,
         0.15442263,  0.01488662,  0.03930153,  0.19772711, -0.12215476,
        -0.04120981, -0.2704109 , -0.21922152,  0.26517662, -0.80739075,
         0.25833532, -0.3100421 ,  0.28683215,  0.1943387 , -0.29036492,
         0.03862849, -0.7844411 , -0.0479324 ,  0.4110299 , -0.36388892,
        -0.58034706,  0.30269456,  0.3630897 , -0.15227164, -0.44391504,
         0.19462997,  0.19528408,  0.05666234,  0.2890704 , -0.28468323,
        -0.00531206,  0.0571938 , -0.3201318 , -0.04418665, -0.08550783,
        -0.55847436, -0.23336391, -0.20782952, -0.03543064, -0.17533456],
       [ 0.56338924, -0.12339553, -0.10862679,  0.7753425 , -0.07667089,
        -0.15752277,  0.01872335, -0.08169781, -0.3521876 ,  0.4637341 ,
        -0.08492756,  0.07166859, -0.00670817,  0.12686075, -0.19326553,
        -0.52626437, -0.3295823 ,  0.14394785,  0.09043556, -0.5417555 ,
         0.02468163, -0.15456742,  0.68333143,  0.09068331, -0.45327246,
         0.23180096, -0.8615696 ,  0.34480393,  0.12838456, -0.58759046,
        -0.4071231 ,  0.23061076,  0.48426893, -0.27128142, -0.5380916 ,
         0.47016326,  0.22572741, -0.00830663,  0.2846242 , -0.304985  ,
         0.04400365,  0.25025874,  0.14867121,  0.40717036, -0.15422426,
        -0.06878027, -0.40825695, -0.3149215 ,  0.09283665, -0.20183425],
       [ 0.7456154 ,  0.21256861,  0.14400336,  0.5233862 ,  0.11032254,
         0.00902788, -0.3667802 , -0.08938274, -0.24165542,  0.33384594,
        -0.11194605, -0.01460047, -0.0071645 ,  0.19562712,  0.00685216,
        -0.24886718, -0.42796347,  0.18620004, -0.05241098, -0.66462487,
         0.13449019, -0.22205497,  0.08633006,  0.43685386,  0.2972681 ,
         0.36140734, -0.7196889 ,  0.05291241, -0.14316116, -0.1573394 ,
        -0.15056328, -0.05988009, -0.08178931, -0.15569411, -0.09303783,
        -0.18971172,  0.07620788, -0.02541647, -0.27134508, -0.3392682 ,
        -0.10296468, -0.27275252, -0.34078008,  0.20083304, -0.26644835,
         0.00655449, -0.05141488, -0.04261917, -0.45413622,  0.20023568]],


model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(16, activation='relu'))

Model: "sequential"
Layer (type)                 Output Shape              Param #   
keras_layer (KerasLayer)     (None, 50)                48190600  
dense (Dense)                (None, 16)                816       
dense_1 (Dense)              (None, 1)                 17        
Total params: 48,191,433
Trainable params: 48,191,433
Non-trainable params: 0


  1. เลเยอร์แรกคือเลเยอร์ TensorFlow Hub เลเยอร์นี้ใช้โมเดลที่บันทึกไว้ที่ฝึกไว้ล่วงหน้าเพื่อแมปประโยคลงในเวกเตอร์ที่ฝัง โมเดลการฝังข้อความที่ฝึกไว้ล่วงหน้าที่คุณใช้อยู่ ( google/nnlm-en-dim50/2 ) แบ่งประโยคออกเป็นโทเค็น ฝังแต่ละโทเค็น แล้วรวมการฝังเข้าด้วยกัน ขนาดผลลัพธ์คือ: (num_examples, embedding_dimension) สำหรับโมเดล NNLM นี้ embedding_dimension คือ 50
  2. เวกเตอร์เอาท์พุตความยาวคงที่นี้ถูกวางท่อผ่านเลเยอร์ ( Dense ) ที่เชื่อมต่ออย่างสมบูรณ์พร้อมหน่วยที่ซ่อนอยู่ 16 หน่วย
  3. เลเยอร์สุดท้ายเชื่อมต่ออย่างแน่นหนาด้วยโหนดเอาต์พุตเดียว



โมเดลต้องมีฟังก์ชันการสูญเสียและเครื่องมือเพิ่มประสิทธิภาพสำหรับการฝึกอบรม เนื่องจากนี่เป็นปัญหาการจำแนกประเภทไบนารีและโมเดลจะส่งออก logits (เลเยอร์หน่วยเดียวที่มีการเปิดใช้งานเชิงเส้น) คุณจะใช้ฟังก์ชันการสูญเสีย binary_crossentropy

นี่ไม่ใช่ตัวเลือกเดียวสำหรับฟังก์ชันการสูญเสีย ตัวอย่างเช่น คุณสามารถเลือก mean_squared_error แต่โดยทั่วไปแล้ว binary_crossentropy จะดีกว่าในการจัดการกับความน่าจะเป็น โดยจะวัด "ระยะทาง" ระหว่างการแจกแจงความน่าจะเป็น หรือในกรณีของเรา ระหว่างการแจกแจงความจริงภาคพื้นดินและการคาดคะเน

ต่อมา เมื่อคุณกำลังสำรวจปัญหาการถดถอย (เช่น เพื่อทำนายราคาบ้าน) คุณจะเห็นวิธีใช้ฟังก์ชันการสูญเสียอื่นที่เรียกว่าข้อผิดพลาดกำลังสองเฉลี่ย

ตอนนี้ กำหนดค่าโมเดลเพื่อใช้ตัวเพิ่มประสิทธิภาพและฟังก์ชันการสูญเสีย:



ฝึกแบบจำลองสำหรับ 10 ยุคในชุดย่อย 512 ตัวอย่าง นี่คือ 10 ซ้ำมากกว่าตัวอย่างทั้งหมดใน x_train และ y_train เทนเซอร์ ขณะฝึกอบรม ให้ตรวจสอบการสูญเสียและความแม่นยำของแบบจำลองบนตัวอย่าง 10,000 รายการจากชุดการตรวจสอบความถูกต้อง:

history =,
Epoch 1/10
30/30 [==============================] - 4s 69ms/step - loss: 0.6458 - accuracy: 0.5411 - val_loss: 0.5995 - val_accuracy: 0.5900
Epoch 2/10
30/30 [==============================] - 4s 100ms/step - loss: 0.5359 - accuracy: 0.6899 - val_loss: 0.4956 - val_accuracy: 0.7347
Epoch 3/10
30/30 [==============================] - 3s 66ms/step - loss: 0.4049 - accuracy: 0.8167 - val_loss: 0.3975 - val_accuracy: 0.8207
Epoch 4/10
30/30 [==============================] - 3s 70ms/step - loss: 0.2929 - accuracy: 0.8873 - val_loss: 0.3465 - val_accuracy: 0.8527
Epoch 5/10
30/30 [==============================] - 3s 66ms/step - loss: 0.2158 - accuracy: 0.9233 - val_loss: 0.3199 - val_accuracy: 0.8576
Epoch 6/10
30/30 [==============================] - 3s 67ms/step - loss: 0.1602 - accuracy: 0.9487 - val_loss: 0.3097 - val_accuracy: 0.8625
Epoch 7/10
30/30 [==============================] - 3s 67ms/step - loss: 0.1176 - accuracy: 0.9656 - val_loss: 0.3083 - val_accuracy: 0.8681
Epoch 8/10
30/30 [==============================] - 3s 64ms/step - loss: 0.0864 - accuracy: 0.9779 - val_loss: 0.3140 - val_accuracy: 0.8671
Epoch 9/10
30/30 [==============================] - 3s 68ms/step - loss: 0.0627 - accuracy: 0.9875 - val_loss: 0.3216 - val_accuracy: 0.8692
Epoch 10/10
30/30 [==============================] - 3s 66ms/step - loss: 0.0457 - accuracy: 0.9922 - val_loss: 0.3329 - val_accuracy: 0.8688


และมาดูกันว่าโมเดลทำงานอย่างไร ค่าสองค่าจะถูกส่งกลับ การสูญเสีย (ตัวเลขที่แสดงถึงข้อผิดพลาดของเรา ค่าที่ต่ำกว่าจะดีกว่า) และความแม่นยำ

results = model.evaluate(test_data.batch(512), verbose=2)

for name, value in zip(model.metrics_names, results):
  print("%s: %.3f" % (name, value))
49/49 - 2s - loss: 0.3597 - accuracy: 0.8541
loss: 0.360
accuracy: 0.854

แนวทางที่ค่อนข้างไร้เดียงสานี้มีความแม่นยำประมาณ 87% ด้วยวิธีการขั้นสูง แบบจำลองควรเข้าใกล้ 95%


# MIT License
# Copyright (c) 2017 François Chollet
# Permission is hereby granted, free of charge, to any person obtaining a
# copy of this software and associated documentation files (the "Software"),
# to deal in the Software without restriction, including without limitation
# the rights to use, copy, modify, merge, publish, distribute, sublicense,
# and/or sell copies of the Software, and to permit persons to whom the
# Software is furnished to do so, subject to the following conditions:
# The above copyright notice and this permission notice shall be included in
# all copies or substantial portions of the Software.