Rodei o modelo com 1000 epochs para saber se a quantidade de treino iria melhorar significativamente a previsão.
Segue o resultado:
layers: 1 com 256 relu
Normalizado: imagens_treino = imagens_treino/255 e imagens_teste = imagens_teste/255
Dropout = 0.2
epochs = 1000
validation_split = 0.15
metrics=['accuracy']
Tempo de execução: 3752.3424608
tempo médio: 3.75s
Perda do teste: 1.992770595769769
Acurácia do teste: 0.8905hoje, com a Alura e o Google Gemini
Olá Bruno
Lembro do seu melhor resultado anterior quando utilizou 100 épocas foi esse abaixo:
layers: 1 com 256 relu
Normalizado: imagens_treino = imagens_treino/255 e imagens_teste = imagens_teste/255
Dropout = 0.2
epochs = 100
validation_split = 0.15
metrics=['accuracy']
cpu = 41% ~ 50%, 3.85ghz
ram = 7.1
gpu = 12%
ram gpu = 5
Tempo de execução: 399.4709732
Tempo Médio: 4.00s
Perda do teste: 0.5985274726979435
Acurácia do teste: 0.8944E agora fazendo 10x mais épocas obteve:
Perda do teste: 1.992770595769769
Acurácia do teste: 0.8905Agora é interesse fazer o questionamento de o que aconteceu quando treinamos por mais épocas, acredito que os testes são tão importante quanto a reflexão sobre os resultados obtidos.
Bons Estudos.