Sách Deep Learning cơ bản

152 Chương 11. Transfer learning và data augmentation
# Chia traing set, test set tỉ lệ 80-20
X_train, X_test, y_train, y_test = train_test_split(features, labels, test_size=0.2, rando
# Grid search để tìm các parameter tốt nhất cho model. C = 1/lamda, hệ số trong regularisa
# https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegressio
params = {'C' : [0.1, 1.0, 10.0, 100.0]}
#model = GridSearchCV(LogisticRegression(solver='lbfgs', multi_class='multinomial'), param
model = GridSearchCV(LogisticRegression(), params)
model.fit(X_train, y_train)
print('Best parameter for the model {}'.format(model.best_params_))
# Đánh giá model
preds = model.predict(X_test)
print(classification_report(y_test, preds))
11.1.2 Fine tuning
Ta chỉ giữ lại phần ConvNet trong CNN và bỏ đi FCs. Sau đó thêm các Fully Connected layer mới
vào output của ConvNet.