Solucionado
Posso usar o parâmetro batch_size=5 para dividir meu conjunto de treino? A ideia do código seria essa:
historico = modelo.fit(imagens_treino, identificacoes_treino,
epochs= 5,
batch_size= 5,
validation_split= 0.2)
Resultando em:
Gostaria de saber se os resultados são bons ou estamos prejudicando de alguma forma o nosso modelo.
hoje, com a Alura e o Google Gemini
Usar o parâmetro batch_size=5 em sua chamada ao método fit do modelo efetivamente significa que você está instruindo o modelo a atualizar os pesos após cada lote (ou "batch") de 5 exemplos de treinamento. A escolha do tamanho do batch tem várias implicações tanto no desempenho do treinamento quanto na qualidade do modelo treinado. Vamos discutir algumas dessas implicações:
1. Convergência do Modelo:
2. Uso de Memória:
3. Qualidade do Modelo:
A escolha de um batch_size=5 é bastante pequena e pode ser adequada para conjuntos de dados pequenos, mas para conjuntos de dados maiores, isso pode tornar o treinamento desnecessariamente longo e potencialmente instável. No entanto, se os recursos computacionais são uma limitação, ou se você está experimentando para encontrar o melhor tamanho do batch, começar com um tamanho menor pode ser uma estratégia razoável.
A regra geral é experimentar com diferentes tamanhos de batch para encontrar um equilíbrio entre a velocidade de treinamento, o uso de memória e a qualidade do modelo. Frequentemente, tamanhos de batch como 32, 64 ou 128 são um bom ponto de partida, mas a escolha ideal pode variar dependendo do seu caso específico.
A eficácia de um batch_size=5 depende muito do seu conjunto de dados, da complexidade do modelo e dos recursos computacionais disponíveis. Monitorar o desempenho do modelo, tanto no conjunto de treinamento quanto no de validação, ajudará a determinar se esse tamanho de batch é adequado ou se ajustes são necessários para melhorar os resultados.
