Дром поиск по номеру: Проверка авто по VIN (ВИН коду), гос. номеру или frame — Проверить машину по винкоду, автомобильному номеру или номеру рамы

представлен в виде объектов JSON со следующими свойствами:

Пример

 
  {  "count": 1,   "facets": null,   "next_page": null,   "previous_page": null,   codeblock_code" data-garden-version="8.39.0"> "результаты": [  {  "created_at ":" 2018-04-06T03: 17: 05Z ",  " по умолчанию ": ложь,  " удалено ": ложь,  " описание ":" ",  " id ": 1835972,  " name ":" Ragtail ",  " result_type ":" group ",   39.0">" updated_at ":" 2018-04-06T03: 17: 05Z ",  " url ":" https: // example.zendesk.com/api/v2/groups/1835972.json " }  ]  }  

Список результатов поиска

• GET / api / v2 / search? Query = {query}

Используйте символ амперсанда (&), чтобы добавить к URL-адресу параметры 39.0"> sort_by или sort_order .

Примеры см. В разделе «Поиск с помощью Zendesk API».

Примечание : Эта конечная точка использует разбиение на страницы со смещением, что может привести к дублированию результатов при разбиении на страницы.Вы также можете использовать Конечная точка экспорта результатов поиска, которая использует разбиение на страницы на основе курсора и не возвращает повторяющиеся результаты. Видеть Пагинация для получения дополнительной информации.

Разрешено для

• Администраторы, агенты и легкие агенты

Ошибки Формат JSON

paragraph" data-garden-version="8.39.0"> Ошибки представлены в виде объектов JSON со следующими ключами:

Пример ошибки

 
  {  «ошибка»: «недоступен»,   «описание»: «К сожалению, мы не смогли выполнить ваш поисковый запрос. Повторите попытку через мгновение».  }  

Параметры

Использование curl

 
  codeblock_code" data-garden-version="8.39.0"> curl "https: // {subdomain} .zendesk.com / api / v2 / search.json" \   -G --data-urlencode "query = type: ticket status: open" \   -v -u {email_address}: {пароль}  

Пример ответа

 
  Статус 200 ОК  
   {  "count": 1234,   "facets": null,   codeblock_code" data-garden-version="8.39.0"> "next_page": "https: // foo.zendesk.com/api/v2/search.json?query=\"type:Group hello \ "\ u0026sort_by = created_at \ u0026sort_order = desc \ u0026page = 2",   "previous_page": null,   "results": [  {  «created_at»: «2009-05-13T00: 07: 08Z»,   «id»: 211,   «name»: «Hello DJs»,   «result_type»: «group» ,   39.0"> «updated_at»: «2011-07-22T00: 11: 12Z»,   «url»: «https://foo.zendesk.com/api/v2/groups/211.json»  },   {  "created_at": "2009-08-26T00: 07: 08Z",   "id": 122,   "name": "Hello MCs",   "result_type": "group",   «updated_at»: «2010-05-13T00: 07: 08Z»,   39.0"> «url»: «https: // foo.zendesk.com/api/v2/groups/122.json " }  ]  }  

Показать результаты Количество

• GET / api / v2 / search / count? Query = {query}

Возвращает количество элементов, соответствующих запросу, а не элементов. Строка поиска работает так же, как и обычный поиск.

Параметры

Использование curl

 
  curl "https: // {subdomain}.zendesk.com/api/v2/search.json "\   -G --data-urlencode" query = type: ticket status: open "\   -v -u {email_address}: {password}  

Пример ответа

 
  Статус 200 ОК  
   {  «количество»: 6  }  

Экспорт результатов поиска

• GET / api / v2 / search / export? Query = {query}

Экспортирует набор результатов. См. Основные сведения о синтаксисе параметра запроса в разделе «Основы запросов».

Эта конечная точка предназначена для поисковых запросов, которые вернут более 1000 результатов. Набор результатов упорядочен только по атрибуту created_at .

Поиск возвращает результаты только для одного типа объекта. Поддерживаются следующие типы объектов: заявка, организация, пользователь или группа.

Вы должны указать тип в параметре filter [type] . Поиск по типу в строке запроса приведет к ошибке.

Разрешено для

См. Разбивка на страницы.

Возвращает максимум 1000 записей на страницу. Количество результатов, отображаемых на странице, определяется параметром page [размер] .

Примечание : У вас может возникнуть снижение скорости, если вы запрашиваете 1000 результатов на страницу и у вас есть много заархивированных запросов в результатах. Попробуйте уменьшить количество результатов на странице.

Курсор, указанный в свойстве after_cursor в ответе, истекает через один час.

Дополнительные сведения о разбивке на страницы с помощью курсора см. В следующих статьях:

Пределы

Скорость этой конечной точки API ограничена 100 запросами в минуту для каждой учетной записи.Лимит также засчитывается в глобальный лимит скорости API.

Формат ответа

Ответ аналогичен ответу GET / api / v2 / search.json? , с небольшими изменениями:

• ссылки - имеет следующие вложенные свойства: предыдущий и следующий . Они заменяют ссылки следующая_страница и предыдущая_страница . Свойство prev всегда имеет значение NULL, потому что обратная разбивка на страницы не поддерживается. Свойство следующий может включать автоматически сгенерированную ссылку на следующую страницу результатов.
• meta - имеет следующие вложенные свойства: has_more и after_cursor .Свойство has_more указывает, есть ли на следующей странице больше результатов. Свойство after_cursor - это курсор, используемый для перехода на следующую страницу. Срок действия истекает через час.

Нет count собственности.

Параметры

Использование curl

 
  curl "https: // {subdomain}.zendesk.com/api/v2/search/export.json "\   -G --data-urlencode" query = hello & page [size] = 100 & filter [type] = ticket "\   -v -u {email_address}: {пароль}  

Пример ответа

 
  Статус 200 ОК  
   {  "фасеты": ноль,   "ссылки": {  "следующий": "https://example.zendesk.com/api/v2/search/export.json?filter%5Btype%5D = билет \ u0026page% 5Bafter% 5D = eyJmaWVsZCI6ImNyZWF0ZWRfYXQiLCJkZXNjIjp0cnVlLCJ0aWVCcmVha0ZpZWxkIjoiaWQiLCJ0aWVCcmVha0Rlc2MiOmZhbHNlLCJzb3J0VmFsdWVzIjpudWxsLCJleHBvcnRlZFRodXNGYXIiOjAsInNlc3Npb25TdGFydCI6MTYwNzAzOTI1Mzk4NSwiY3JlYXRlZEF0IjoxNjA3MDM5MjUzOTg1LCJzYWx0ZWRSZXF1ZXN0SGFzaCI6LTQ5ODM0ODc3LCJzYWx0ZWRDdXJzb3JIYXNoIjotMjQwMzQ4MjgwfQ% 3D% 3D \ u0026page% 5Bsize% 5D = 100 \ u0026query = привет% 26page% 5Bsize% 5D% 3D100% 26filter% 5Btype% 5D% 3Dticket»,   "пред": нуль  },   "мета": {  "after_cursor": «eyJmaWVsZCI6ImNyZWF0ZWRfYXQiLCJkZXNjIjp0cnVlLCJ0aWVCcmVha0ZpZWxkIjoiaWQiLCJ0aWVCcmVha0Rlc2MiOmZhbHNlLCJzb3J0VmFsdWVzIjpudWxsLCJleHBvcnRlZFRodXNGYXIiOjAsInNlc3Npb25TdGFydCI6MTYwNzAzOTI1Mzk4NSwiY3JlYXRlZEF0IjoxNjA3MDM5MjUzOTg1LCJzYWx0ZWRSZXF1ZXN0SGFzaCI6LTQ5ODM0ODc3LCJzYWx0ZWRDdXJzb3JIYXNoI jotMjQwMzQ4MjgwfQ == ",  " before_cursor ": null,  " has_more ": true  },  " results ": []  }  

Знакомство с тюнером Keras | TensorFlow Core

Обзор

Keras Tuner - это библиотека, которая помогает вам выбрать оптимальный набор гиперпараметров для вашей программы TensorFlow.Процесс выбора правильного набора гиперпараметров для вашего приложения машинного обучения (ML) называется настройкой гиперпараметров или гипертонастройкой .

Гиперпараметры - это переменные, которые управляют процессом обучения и топологией модели машинного обучения. Эти переменные остаются постоянными в процессе обучения и напрямую влияют на производительность вашей программы машинного обучения. Гиперпараметры бывают двух типов:

1. Гиперпараметры модели , которые влияют на выбор модели, такие как количество и ширина скрытых слоев
2. Гиперпараметры алгоритма , которые влияют на скорость и качество алгоритма обучения, такие как скорость обучения для стохастического градиентного спуска (SGD) и количество ближайших соседей для классификатора k ближайших соседей (KNN)

В этом руководстве вы будете использовать Keras Tuner для выполнения гипертонастройки для приложения классификации изображений.

Настройка

  импортировать тензорный поток как tf
из tenorflow import keras
  

Установите и импортируйте Keras Tuner.

  pip install -q -U keras-tuner 
 

  импорт keras_tuner как kt
  

Загрузите и подготовьте набор данных

В этом руководстве вы будете использовать Keras Tuner, чтобы найти лучшие гиперпараметры для модели машинного обучения, которая классифицирует изображения одежды из набора данных Fashion MNIST.

Загрузите данные.

  (img_train, label_train), (img_test, label_test) = keras.datasets.fashion_mnist.load_data ()
  

Загрузка данных с https & col; // storage.googleapis.com/tensorflow/tf-keras-datasets/train-labels-idx1-ubyte.gz
32768/29515 [===================================] - 0 с 0 мкс / шаг
Загрузка данных из https & col; // storage.googleapis.com/tensorflow/tf-keras-datasets/train-images-idx3-ubyte.gz
26427392/26421880 [==============================] - 0 с 0 мкс / шаг
Загрузка данных из хранилища https & col; //.googleapis.com/tensorflow/tf-keras-datasets/t10k-labels-idx1-ubyte.gz
8192/5148 [============================================== =] - 0 с 0 мкс / шаг
Загрузка данных с https & col; // storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-images-idx3-ubyte.gz
4423680/4422102 [==============================] - 0 с 0 мкс / шаг
 

  # Нормализовать значения пикселей от 0 до 1
img_train = img_train.astype ('float32') / 255,0
img_test = img_test.astype ('float32') / 255,0
  

Определите модель

При построении модели для гипертонастройки вы также определяете пространство поиска гиперпараметров в дополнение к архитектуре модели.Модель, которую вы настроили для гипертюнинга, называется гипермоделью .

Вы можете определить гипермодель двумя способами:

• Используя функцию построителя модели
• Путем создания подкласса HyperModel класса Keras Tuner API

Вы также можете использовать два предопределенных класса HyperModel - HyperXception и HyperResNet для приложений компьютерного зрения.

В этом руководстве вы используете функцию построителя моделей для определения модели классификации изображений.Функция построителя моделей возвращает скомпилированную модель и использует гиперпараметры, которые вы определяете встроенными, для гипертонастройки модели.

  def model_builder (л.с.):
  модель = keras.Sequential ()
  model.add (keras.layers.Flatten (input_shape = (28, 28)))

  # Настроить количество единиц в первом плотном слое
  # Выберите оптимальное значение между 32-512
  hp_units = hp.Int ('единицы', min_value = 32, max_value = 512, step = 32)
  model.add (keras.layers.Dense (единицы = единицы здоровья, активация = 'relu'))
  model.add (keras.layers.Плотный (10))

  # Настроить скорость обучения для оптимизатора
  # Выберите оптимальное значение из 0,01, 0,001 или 0,0001
  hp_learning_rate = hp.Choice ('скорость_обучения', значения = [1e-2, 1e-3, 1e-4])

  model.compile (optimizer = keras.optimizers.Adam (learning_rate = hp_learning_rate),
                loss = keras.losses.SparseCategoricalCrossentropy (from_logits = True),
                метрики = ['точность'])

  модель возврата
  

Создайте экземпляр тюнера и выполните гипертюнинг

Создайте экземпляр тюнера для выполнения гипертонастройки.Тюнер Keras имеет четыре доступных тюнера - RandomSearch , Hyperband , BayesianOptimization и Sklearn . В этом руководстве вы используете тюнер Hyperband.

Чтобы создать экземпляр тюнера Hyperband, вы должны указать гипермодель, цель для оптимизации и максимальное количество эпох для обучения ( max_epochs ).

  тюнер = kt.Hyperband (model_builder,
                     objective = 'val_accuracy',
                     max_epochs = 10,
                     коэффициент = 3,
                     directory = 'my_dir',
                     имя_проекта = 'intro_to_kt')
  

Алгоритм настройки Hyperband использует адаптивное распределение ресурсов и раннюю остановку для быстрого перехода к высокопроизводительной модели.Для этого используется сетка в спортивном чемпионском стиле. Алгоритм обучает большое количество моделей в течение нескольких эпох и переносит в следующий раунд только самую эффективную половину моделей. Hyperband определяет количество моделей для обучения в группе, вычисляя 1 + log , коэффициент ( max_epochs ) и округляя его до ближайшего целого числа.

Создайте обратный вызов, чтобы остановить обучение раньше, после достижения определенного значения потери проверки.

  stop_early = tf.keras.callbacks.EarlyStopping (монитор = 'val_loss', терпение = 5)
  

Запустить поиск гиперпараметров. Аргументы для метода поиска те же, что и для tf.keras.model.fit в дополнение к обратному вызову выше.

  tuner.search (img_train, label_train, epochs = 50, validation_split = 0.2, callbacks = [stop_early])

# Получите оптимальные гиперпараметры
best_hps = tuner.get_best_hyperparameters (num_trials = 1) [0]

print (f "" "
Поиск гиперпараметров завершен.Оптимальное количество единиц в первой плотносвязной
слой - {best_hps.get ('units')}, а оптимальная скорость обучения для оптимизатора
это {best_hps.get ('learning_rate')}.
"" ")
  

Испытание 30 завершено [00 ч. 00 м. 27 сек.]
val_accuracy & двоеточие; 0,8523333072662354

Лучшая точность val_accuracy на данный момент & двоеточие; 0,8889999985694885
Общее прошедшее время и двоеточие; 00ч 05м 35с
ИНФОРМАЦИЯ & двоеточие; тензорный поток & двоеточие; выход по триггеру Oracle

Поиск гиперпараметров завершен. Оптимальное количество единиц в первой плотносвязной
слой равен 384, а оптимальная скорость обучения для оптимизатора
равно 0.001.
 

Обучаем модель

Найдите оптимальное количество эпох для обучения модели с гиперпараметрами, полученными в результате поиска.

  # Построить модель с оптимальными гиперпараметрами и обучить ее на данных за 50 эпох
model = tuner.hypermodel.build (best_hps)
history = model.fit (img_train, label_train, epochs = 50, validation_split = 0.2)

val_acc_per_epoch = history.history ['val_accuracy']
best_epoch = val_acc_per_epoch.index (макс (val_acc_per_epoch)) + 1
print ('Лучшая эпоха:% d'% (best_epoch,))
  

Эпоха 1/50
1500/1500 [==============================] - 3 с 2 мс / шаг - потеря и двоеточие; 0.4977 - точность и двоеточие; 0.8242 - val_loss & двоеточие; 0.4863 - val_accuracy & двоеточие; 0,8190
Эпоха 2/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,3720 - точность и двоеточие; 0.8651 - val_loss & двоеточие; 0.3629 - val_accuracy & двоеточие; 0,8681
Эпоха 3/50
1500/1500 [==============================] - 3 с 2 мс / шаг - потеря и двоеточие; 0,3329 - точность и двоеточие; 0.8783 - val_loss и двоеточие; 0,3530 - val_accuracy & двоеточие; 0,8718
Эпоха 4/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.3087 - точность и двоеточие; 0.8857 - val_loss и двоеточие; 0.3588 - val_accuracy & двоеточие; 0,8673
Эпоха 5/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,2900 - точность и двоеточие; 0.8903 - val_loss и двоеточие; 0.3117 - val_accuracy & двоеточие; 0,8876
Эпоха 6/50
1500/1500 [==============================] - 3 с 2 мс / шаг - потеря и двоеточие; 0,2742 - точность и двоеточие; 0.8971 - val_loss & двоеточие; 0,3571 - val_accuracy & двоеточие; 0,8754
Эпоха 7/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.2591 - точность и двоеточие; 0.9045 - val_loss & двоеточие; 0.3187 - val_accuracy & двоеточие; 0,8873
Эпоха 8/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,2470 - точность и двоеточие; 0.9074 - val_loss & двоеточие; 0.3161 - val_accuracy & двоеточие; 0,8888
Эпоха 9/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,2368 - точность и двоеточие; 0.9112 - val_loss & двоеточие; 0,3652 - val_accuracy & двоеточие; 0,8741
Эпоха 10/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.2273 - точность и двоеточие; 0.9150 - val_loss & двоеточие; 0.3198 - val_accuracy & двоеточие; 0,8898
Эпоха 11/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,2168 - точность и двоеточие; 0.9183 - val_loss & двоеточие; 0,3274 - val_accuracy & двоеточие; 0,8837
Эпоха 12/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.2073 - точность и двоеточие; 0.9225 - val_loss & двоеточие; 0,3253 - val_accuracy & двоеточие; 0,8887
Эпоха 13/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.2018 - точность и двоеточие; 0.9236 - val_loss & двоеточие; 0.3616 - val_accuracy & двоеточие; 0,8821
Эпоха 14/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,1924 - точность и двоеточие; 0.9268 - val_loss & двоеточие; 0,3484 - val_accuracy & двоеточие; 0,8904
Эпоха 15/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,1854 - точность и двоеточие; 0.9298 - val_loss & двоеточие; 0,3100 - val_accuracy & двоеточие; 0,8960
Эпоха 16/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.1767 - точность и двоеточие; 0.9337 - val_loss & двоеточие; 0.3314 - val_accuracy & двоеточие; 0,8928
Эпоха 17/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,1737 - точность и двоеточие; 0.9336 - val_loss & двоеточие; 0.3347 - val_accuracy & двоеточие; 0,8932
Эпоха 18/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,1665 - точность и двоеточие; 0.9373 - val_loss & двоеточие; 0,3376 - val_accuracy & двоеточие; 0,8933
Эпоха 19/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.1611 - точность и двоеточие; 0.9395 - val_loss & двоеточие; 0,3484 - val_accuracy & двоеточие; 0,8938
Эпоха 20/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,1569 - точность и двоеточие; 0.9420 - val_loss & двоеточие; 0.3904 - val_accuracy & двоеточие; 0,8802
Эпоха 21/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,1517 - точность и двоеточие; 0.9429 - val_loss & двоеточие; 0.3665 - val_accuracy & двоеточие; 0,8904
Эпоха 22/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.1466 - точность и двоеточие; 0.9452 - val_loss & двоеточие; 0,3482 - val_accuracy & двоеточие; 0,8959
Эпоха 23/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,1418 - точность и двоеточие; 0.9460 - val_loss & двоеточие; 0.3569 - val_accuracy & двоеточие; 0,8950
Эпоха 24/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,1390 - точность и двоеточие; 0.9481 - val_loss & двоеточие; 0,4292 - val_accuracy & двоеточие; 0,8806
Эпоха 25/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.1329 - точность и двоеточие; 0.9496 - val_loss & двоеточие; 0.3706 - val_accuracy & двоеточие; 0,8957
Эпоха 26/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,1302 - точность и двоеточие; 0.9509 - val_loss & двоеточие; 0,3662 - val_accuracy & двоеточие; 0,8929
Эпоха 27/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,1243 - точность и двоеточие; 0.9535 - val_loss & двоеточие; 0,3984 - val_accuracy & двоеточие; 0,8907
Эпоха 28/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.1244 - точность и двоеточие; 0.9537 - val_loss & двоеточие; 0.3822 - val_accuracy & двоеточие; 0,8964
Эпоха 29/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,1198 - точность и двоеточие; 0.9551 - val_loss & двоеточие; 0,4285 - val_accuracy & двоеточие; 0,8872
Эпоха 30/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,1166 - точность и двоеточие; 0.9563 - val_loss & двоеточие; 0,4269 - val_accuracy & двоеточие; 0,8918
Эпоха 31/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.1120 - точность и двоеточие; 0.9585 - val_loss & двоеточие; 0,4127 - val_accuracy & двоеточие; 0,8922
Эпоха 32/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,1118 - точность и двоеточие; 0.9575 - val_loss & двоеточие; 0,4294 - val_accuracy & двоеточие; 0,8931
Эпоха 33/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,1093 - точность и двоеточие; 0.9592 - val_loss & двоеточие; 0,4230 - val_accuracy & двоеточие; 0,8928
Эпоха 34/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.1043 - точность и двоеточие; 0.9602 - val_loss & двоеточие; 0,4282 - val_accuracy & двоеточие; 0,8947
Эпоха 35/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.1031 - точность и двоеточие; 0.9612 - val_loss & двоеточие; 0.4217 - val_accuracy & двоеточие; 0,8868
Эпоха 36/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,1029 - точность и двоеточие; 0.9609 - val_loss & двоеточие; 0,4487 - val_accuracy & двоеточие; 0,8957
Эпоха 37/50
1500/1500 [==============================] - 3 с 2 мс / шаг - потеря и двоеточие; 0.1010 - точность и двоеточие; 0.9623 - val_loss & двоеточие; 0,4623 - val_accuracy & двоеточие; 0,8908
Эпоха 38/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,0945 - точность и двоеточие; 0.9649 - val_loss & двоеточие; 0.4769 - val_accuracy & двоеточие; 0,8885
Эпоха 39/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,0932 - точность & двоеточие; 0.9654 - val_loss & двоеточие; 0,4907 - val_accuracy & двоеточие; 0,8908
Эпоха 40/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.0932 - точность и двоеточие; 0.9653 - val_loss & двоеточие; 0,4886 - val_accuracy & двоеточие; 0,8931
Эпоха 41/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,0890 - точность и двоеточие; 0.9666 - val_loss & двоеточие; 0,4780 - val_accuracy & двоеточие; 0,8917
Эпоха 42/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,0879 - точность и двоеточие; 0.9661 - val_loss & двоеточие; 0,4549 - val_accuracy & двоеточие; 0,8943
Эпоха 43/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.0876 - точность и двоеточие; 0.9669 - val_loss & двоеточие; 0,4959 - val_accuracy & двоеточие; 0,8936
Эпоха 44/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,0844 - точность и двоеточие; 0.9678 - val_loss & двоеточие; 0,4789 - val_accuracy & двоеточие; 0,8944
Эпоха 45/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,0803 - точность и двоеточие; 0.9705 - val_loss & двоеточие; 0.5110 - val_accuracy & двоеточие; 0,8939
Эпоха 46/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.0825 - точность и двоеточие; 0.9696 - val_loss & двоеточие; 0,4860 - val_accuracy & двоеточие; 0,8971
Эпоха 47/50
1500/1500 [==============================] - 3 с 2 мс / шаг - потеря и двоеточие; 0,0771 - точность и двоеточие; 0.9709 - val_loss & двоеточие; 0.5046 - val_accuracy & двоеточие; 0,8950
Эпоха 48/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,0775 - точность и двоеточие; 0.9709 - val_loss & двоеточие; 0.5245 - val_accuracy & двоеточие; 0,8918
Эпоха 49/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.0757 - точность и двоеточие; 0.9711 - val_loss & двоеточие; 0.5160 - val_accuracy & двоеточие; 0,8931
Эпоха 50/50
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,0775 - точность и двоеточие; 0.9716 - val_loss & двоеточие; 0.5132 - val_accuracy & двоеточие; 0,8959
Лучшая эпоха и двоеточие; 46
 

Повторно создайте гипермодель и обучите ее с оптимальным количеством эпох сверху.

  hypermodel = tuner.hypermodel.build (best_hps)

# Переобучить модель
гипермодель.подходят (img_train, label_train, epochs = best_epoch, validation_split = 0.2)
  

Эпоха 1/46
1500/1500 [==============================] - 3 с 2 мс / шаг - потеря и двоеточие; 0,4972 - точность и двоеточие; 0.8242 - val_loss & двоеточие; 0,4372 - val_accuracy & двоеточие; 0,8413
Эпоха 2/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,3681 - точность и двоеточие; 0.8646 - val_loss & двоеточие; 0,3778 - val_accuracy & двоеточие; 0,8640
Эпоха 3/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.3322 - точность и двоеточие; 0.8771 - val_loss & двоеточие; 0.3637 - val_accuracy & двоеточие; 0,8618
Эпоха 4/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,3065 - точность и двоеточие; 0.8869 - val_loss & двоеточие; 0,3397 - val_accuracy & двоеточие; 0,8799
Эпоха 5/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,2858 - точность и двоеточие; 0.8943 - val_loss & двоеточие; 0,3257 - val_accuracy & двоеточие; 0,8848
Эпоха 6/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.2724 - точность и двоеточие; 0.8983 - val_loss и двоеточие; 0.3138 - val_accuracy & двоеточие; 0,8856
Эпоха 7/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,2582 - точность и двоеточие; 0.9035 - val_loss & двоеточие; 0.3203 - val_accuracy & двоеточие; 0,8846
Эпоха 8/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,2466 - точность и двоеточие; 0.9074 - val_loss & двоеточие; 0,3291 - val_accuracy & двоеточие; 0,8896
Эпоха 9/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.2356 - точность и двоеточие; 0.9109 - val_loss & двоеточие; 0,3321 - val_accuracy & двоеточие; 0,8847
Эпоха 10/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,2256 - точность и двоеточие; 0.9157 - val_loss & двоеточие; 0,3395 - val_accuracy & двоеточие; 0,8873
Эпоха 11/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,2167 - точность и двоеточие; 0.9191 - val_loss & двоеточие; 0.3407 - val_accuracy & двоеточие; 0,8842
Эпоха 12/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.2096 - точность и двоеточие; 0.9208 - val_loss & двоеточие; 0,3269 - val_accuracy & двоеточие; 0,8913
Эпоха 13/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.2012 - точность и двоеточие; 0.9237 - val_loss & двоеточие; 0,3243 - val_accuracy & двоеточие; 0,8948
Эпоха 14/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,1930 - точность и двоеточие; 0.9271 - val_loss & двоеточие; 0,3260 - val_accuracy & двоеточие; 0,8916
Эпоха 15/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.1862 г. - точность и двоеточие; 0.9305 - val_loss & двоеточие; 0,3384 - val_accuracy & двоеточие; 0,8828
Эпоха 16/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,1811 - точность и двоеточие; 0.9313 - val_loss & двоеточие; 0.3279 - val_accuracy & двоеточие; 0,8940
Эпоха 17/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,1737 - точность и двоеточие; 0.9345 - val_loss & двоеточие; 0,3451 - val_accuracy & двоеточие; 0,8914
Эпоха 18/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.1685 - точность и двоеточие; 0.9353 - val_loss & двоеточие; 0.3380 - val_accuracy & двоеточие; 0,8924
Эпоха 19/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,1639 - точность и двоеточие; 0.9374 - val_loss & двоеточие; 0,3551 - val_accuracy & двоеточие; 0,8927
Эпоха 20/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,1593 - точность и двоеточие; 0.9404 - val_loss & двоеточие; 0,3579 - val_accuracy & двоеточие; 0,8957
Эпоха 21/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.1527 - точность и двоеточие; 0.9423 - val_loss & двоеточие; 0.3822 - val_accuracy & двоеточие; 0,8841
Эпоха 22/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,1487 - точность и двоеточие; 0.9443 - val_loss & двоеточие; 0.3670 - val_accuracy & двоеточие; 0,8936
Эпоха 23/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,1460 - точность и двоеточие; 0.9455 - val_loss & двоеточие; 0.3735 - val_accuracy & двоеточие; 0,8911
Эпоха 24/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.1413 - точность и двоеточие; 0.9469 - val_loss & двоеточие; 0.3616 - val_accuracy & двоеточие; 0,8947
Эпоха 25/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,1359 - точность и двоеточие; 0.9482 - val_loss & двоеточие; 0,3641 - val_accuracy & двоеточие; 0,8956
Эпоха 26/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,1319 - точность и двоеточие; 0.9500 - val_loss & двоеточие; 0.3693 - val_accuracy & двоеточие; 0,8928
Эпоха 27/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.1288 - точность и двоеточие; 0.9508 - val_loss & двоеточие; 0.3755 - val_accuracy & двоеточие; 0,8937
Эпоха 28/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,1249 - точность и двоеточие; 0.9530 - val_loss & двоеточие; 0.3808 - val_accuracy & двоеточие; 0,8959
Эпоха 29/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,1218 - точность и двоеточие; 0.9546 - val_loss & двоеточие; 0.4050 - val_accuracy & двоеточие; 0,8923
Эпоха 30/46
1500/1500 [==============================] - 3 с 2 мс / шаг - потеря и двоеточие; 0.1192 - точность и двоеточие; 0.9547 - val_loss & двоеточие; 0.3844 - val_accuracy & двоеточие; 0,8967
Эпоха 31/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,1164 - точность и двоеточие; 0.9562 - val_loss & двоеточие; 0.4062 - val_accuracy & двоеточие; 0,8927
Эпоха 32/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,1126 - точность и двоеточие; 0.9565 - val_loss & двоеточие; 0.4070 - val_accuracy & двоеточие; 0,8974
Эпоха 33/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.1121 - точность и двоеточие; 0.9571 - val_loss & двоеточие; 0,4297 - val_accuracy & двоеточие; 0,8895
Эпоха 34/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.1056 - точность и двоеточие; 0.9600 - val_loss & двоеточие; 0,4263 - val_accuracy & двоеточие; 0,8962
Эпоха 35/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.1062 - точность и двоеточие; 0.9593 - val_loss & двоеточие; 0,4547 - val_accuracy & двоеточие; 0,8888
Эпоха 36/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.1033 - точность и двоеточие; 0.9610 - val_loss & двоеточие; 0,4341 - val_accuracy & двоеточие; 0,8891
Эпоха 37/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,0987 - точность и двоеточие; 0.9629 - val_loss & двоеточие; 0,4396 - val_accuracy & двоеточие; 0,8894
Эпоха 38/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,0961 - точность и двоеточие; 0.9631 - val_loss & двоеточие; 0,4545 - val_accuracy & двоеточие; 0,8939
Эпоха 39/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.0935 - точность и двоеточие; 0.9638 - val_loss & двоеточие; 0,4612 - val_accuracy & двоеточие; 0,8915
Эпоха 40/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,0932 - точность & двоеточие; 0.9646 - val_loss & двоеточие; 0,4712 - val_accuracy & двоеточие; 0,8882
Эпоха 41/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,0904 - точность и двоеточие; 0.9653 - val_loss & двоеточие; 0,4784 - val_accuracy & двоеточие; 0,8941
Эпоха 42/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.0896 - точность и двоеточие; 0.9664 - val_loss & двоеточие; 0,4697 - val_accuracy & двоеточие; 0,8952
Эпоха 43/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,0851 - точность & двоеточие; 0.9674 - val_loss & двоеточие; 0,4728 - val_accuracy & двоеточие; 0,8913
Эпоха 44/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,0855 - точность и двоеточие; 0.9675 - val_loss & двоеточие; 0,4633 - val_accuracy & двоеточие; 0,8964
Эпоха 45/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0.0834 - точность и двоеточие; 0.9693 - val_loss & двоеточие; 0.5373 - val_accuracy & двоеточие; 0,8875
Эпоха 46/46
1500/1500 [==============================] - 2 с 2 мс / шаг - потеря и двоеточие; 0,0826 - точность и двоеточие; 0.9696 - val_loss & двоеточие; 0,4981 - val_accuracy & двоеточие; 0,8917

 

Чтобы закончить это руководство, оцените гипермодель на тестовых данных.

  eval_result = hypermodel.evaluate (img_test, label_test)
print ("[потеря теста, точность теста]:", eval_result)
  

313/313 [==============================] - 1 с 2 мс / шаг - потеря и двоеточие; 0.5843 - точность и двоеточие; 0,8865
[потеря теста, точность теста] & двоеточие; [0,5842637419700623, 0,8865000009536743]
 

Каталог my_dir / intro_to_kt содержит подробные журналы и контрольные точки для каждого испытания (конфигурации модели), запускаемого во время поиска гиперпараметров. Если вы повторно запустите поиск гиперпараметров, Keras Tuner использует существующее состояние из этих журналов для возобновления поиска. Чтобы отключить это поведение, передайте дополнительный аргумент overwrite = True при создании экземпляра тюнера.

Сводка

В этом руководстве вы узнали, как использовать Keras Tuner для настройки гиперпараметров модели. Чтобы узнать больше о Keras Tuner, ознакомьтесь с этими дополнительными ресурсами:

Также проверьте панель инструментов HParams в TensorBoard, чтобы интерактивно настроить гиперпараметры вашей модели.

Синтаксис поиска для текстовых полей | Центр обработки данных и сервер Jira Core 8.20

На этой странице представлена ​​информация о синтаксисе поиска в текстовых полях, который может быть выполнен при быстром поиске, базовом поиске и расширенном поиске.

Текстовый поиск может выполняться в расширенном поиске, когда используется оператор CONTAINS (~), например сводка ~ "окна *" . Это также можно сделать в быстром поиске и базовом поиске при поиске по поддерживаемым полям.

Благодарности: Jira использует Apache Lucene для индексирования текста, который предоставляет богатый язык запросов. Большая часть информации на этой странице взята из страницы синтаксиса синтаксического анализатора запросов документации Lucene.

Термины запроса

Запрос разбит на терминов, и операторов. Есть два типа терминов: отдельных терминов и фраз .

A Single Term - это отдельное слово, например « test » или « hello ».

A Фраза - это группа слов, заключенных в двойные кавычки, например « hello dolly ».

Несколько терминов можно комбинировать с логическими операторами, чтобы сформировать более сложный запрос (см. Ниже). Если вы объедините несколько терминов без указания каких-либо логических операторов, они будут объединены с помощью операторов AND.

Примечание. Все термины запросов в Jira не чувствительны к регистру.

Модификаторы терминов

Jira поддерживает изменение терминов запроса, чтобы предоставить широкий диапазон параметров поиска.

Точный поиск (фразы)

Чтобы найти точное совпадение для фраз , например Jira Software , вам нужно заключить всю фразу в кавычки ("). В противном случае поиск вернет все вопросы, содержащие оба слова в произвольном порядке - это будет включать Jira Software , но также Jira - лучшее программное обеспечение !.

Если вы используете расширенный поиск, вам необходимо дополнительно экранировать каждую кавычку обратной косой чертой (\). Для получения дополнительной информации см. Примеры ниже или найдите свое поле в расширенном поиске - ссылка на поле.

Примеры

• Базовый поиск: Найдите все проблемы, содержащие фразу Jira Software :

    Просто введите «Jira Software» в поле поиска.  

• Расширенный поиск: Найдите все проблемы, содержащие слова Jira и Software в произвольном порядке.

• Расширенный поиск: Найдите все проблемы, содержащие фразу Jira Software .

    текст ~ "\" Jira Software \ ""  

• Расширенный поиск: Найдите все проблемы, содержащие URL-адрес https://atlassian.com :

    текст ~ "\" https: //atlassian.com \ ""  

Как видно из двух предыдущих примеров, запрос содержит две пары кавычек.Внешние необходимы для соответствия правилам JQL и не имеют отношения к вашему поисковому запросу. Та же пара кавычек будет автоматически добавлена ​​Jira в основной поиск после выполнения вашего поиска.

Использование специальных символов для создания фраз

В предыдущих версиях Jira вы могли использовать некоторые специальные символы для объединения терминов в фраз , например Jira + Software или Jira / Software . Это уже не так, поскольку механизм, используемый для поиска, изменился, и специальные символы, окружающие терминов , игнорируются.

Поиск с подстановочными знаками:? и *

Jira поддерживает поиск с использованием одно- и многосимвольных подстановочных знаков.

Чтобы выполнить поиск с использованием односимвольных подстановочных знаков, используйте символ «? ».

Чтобы выполнить поиск с использованием подстановочных знаков, состоящих из нескольких символов, используйте символ « * ».

Подстановочные знаки необходимо заключить в кавычки, поскольку они являются зарезервированными символами в расширенном поиске. Используйте цитаты, например резюме ~ "ча? К и че *"

Поиск с использованием односимвольных подстановочных знаков ищет термины, соответствующие термину с замененным одиночным символом.Например, для поиска « текст » или « тест » вы можете использовать поиск:

При поиске с использованием подстановочных знаков, состоящих из нескольких символов, выполняется поиск 0 или более символов. Например, чтобы найти Windows , Win95 или WindowsNT , вы можете использовать поиск:

Вы также можете использовать поиск по шаблону в середине термина. Например, чтобы найти Win95 или Windows95 , вы можете использовать поиск:

Вы не можете использовать * или? символ в качестве первого символа поиска.Запрос функции для этого - JRA-6218.

Jira поддерживает нечеткий поиск. Чтобы выполнить нечеткий поиск, используйте символ тильды «~» в конце термина, состоящего из одного слова. Например, чтобы найти термин, похожий по написанию на « roam », используйте нечеткий поиск:

В этом поиске будут найдены такие термины, как пена и блуждание.

Примечание: термины, найденные в результате нечеткого поиска, автоматически получают коэффициент усиления 0,2.

Поиск по префиксу и суффиксу

Jira поддерживает поиск по частям слов.Чтобы выполнить такой поиск, укажите префикс или суффикс слова или фразы, которые вы ищете. Например, чтобы найти проблему с MagicBox, вы можете использовать любой из двух шаблонов поиска:

Поиск по префиксу

  сводка ~ "magic *"  

Поиск суффикса

  сводка ~ "* поле"  

Поиск на близком расстоянии