import os
import pandas as pd
from sklearn.preprocessing import LabelEncoder
# using tensorflow>=2.2.1 with built-in Keras
from tensorflow.keras.models import Sequential, load_model
from tensorflow.keras.layers import Dense, Activation, Dropout, PReLU
import tensorflow.keras.utils as np_utils
2025-02-11 14:30:23.541053: I external/local_xla/xla/tsl/cuda/cudart_stub.cc:32] Could not find cuda drivers on your machine, GPU will not be used.
2025-02-11 14:30:23.544980: I external/local_xla/xla/tsl/cuda/cudart_stub.cc:32] Could not find cuda drivers on your machine, GPU will not be used.
2025-02-11 14:30:23.556061: E external/local_xla/xla/stream_executor/cuda/cuda_fft.cc:477] Unable to register cuFFT factory: Attempting to register factory for plugin cuFFT when one has already been registered
WARNING: All log messages before absl::InitializeLog() is called are written to STDERR
E0000 00:00:1739277023.573797 1452475 cuda_dnn.cc:8310] Unable to register cuDNN factory: Attempting to register factory for plugin cuDNN when one has already been registered
E0000 00:00:1739277023.578820 1452475 cuda_blas.cc:1418] Unable to register cuBLAS factory: Attempting to register factory for plugin cuBLAS when one has already been registered
2025-02-11 14:30:23.596431: I tensorflow/core/platform/cpu_feature_guard.cc:210] This TensorFlow binary is optimized to use available CPU instructions in performance-critical operations.
To enable the following instructions: AVX2 FMA, in other operations, rebuild TensorFlow with the appropriate compiler flags.
TEST_DATA_ROOT = '~/workspace/datarobot-user-models/tests/testdata'
BINARY_DATA = os.path.join(
TEST_DATA_ROOT, 'iris_binary_training.csv'
)
REGRESSION_DATA = os.path.join(
TEST_DATA_ROOT, 'juniors_3_year_stats_regression.csv'
)
MULTICLASS_DATA = os.path.join(
TEST_DATA_ROOT, 'skyserver_sql2_27_2018_6_51_39_pm.csv'
)
bin_X = pd.read_csv(BINARY_DATA)
bin_y = bin_X.pop('Species')
reg_X = pd.read_csv(REGRESSION_DATA).fillna(0)
reg_y = reg_X.pop('Grade 2014')
multi_X = pd.read_csv(MULTICLASS_DATA)
multi_y = multi_X.pop('class')
bin_model = Sequential([
Dense(50, input_dim=bin_X.shape[1]),
Activation('relu'),
Dropout(0.2),
Dense(100),
PReLU(),
Dense(1),
Activation('sigmoid')
])
bin_model.compile(optimizer='rmsprop',
loss='binary_crossentropy',
metrics=['accuracy'])
bin_target_encoder = LabelEncoder()
bin_target_encoder.fit(bin_y)
bin_model.fit(bin_X, bin_target_encoder.transform(bin_y), epochs=10, batch_size=32)
reg_model = Sequential([
Dense(50, input_dim=reg_X.shape[1]),
Activation('relu'),
Dropout(0.2),
Dense(100),
PReLU(),
Dense(1),
])
reg_model.compile(optimizer='adam',
loss='mean_squared_error',
metrics=['accuracy'])
reg_model.fit(reg_X, reg_y, epochs=10, batch_size=32)
multi_target_encoder = LabelEncoder()
multi_target_encoder.fit(multi_y)
multi_model = Sequential()
multi_model.add(Dense(8, input_dim=multi_X.shape[1], activation='relu'))
multi_model.add(Dense(len(multi_target_encoder.classes_), activation='softmax'))
multi_model.compile(optimizer='adam',
loss='categorical_crossentropy',
metrics=['accuracy'])
multi_model.fit(multi_X, np_utils.to_categorical(multi_target_encoder.transform(multi_y)), epochs=10, batch_size=32)
Epoch 1/10
/tmp/venv/lib/python3.10/site-packages/keras/src/layers/core/dense.py:87: UserWarning: Do not pass an `input_shape`/`input_dim` argument to a layer. When using Sequential models, prefer using an `Input(shape)` object as the first layer in the model instead.
super().__init__(activity_regularizer=activity_regularizer, **kwargs)
2025-02-11 14:30:25.320179: E external/local_xla/xla/stream_executor/cuda/cuda_driver.cc:152] failed call to cuInit: INTERNAL: CUDA error: Failed call to cuInit: UNKNOWN ERROR (303)
2025-02-11 14:30:25.320203: I external/local_xla/xla/stream_executor/cuda/cuda_diagnostics.cc:137] retrieving CUDA diagnostic information for host: zohar-ubuntu
2025-02-11 14:30:25.320208: I external/local_xla/xla/stream_executor/cuda/cuda_diagnostics.cc:144] hostname: zohar-ubuntu
2025-02-11 14:30:25.320269: I external/local_xla/xla/stream_executor/cuda/cuda_diagnostics.cc:168] libcuda reported version is: NOT_FOUND: was unable to find libcuda.so DSO loaded into this program
2025-02-11 14:30:25.320298: I external/local_xla/xla/stream_executor/cuda/cuda_diagnostics.cc:172] kernel reported version is: 550.120.0
�[1m1/4�[0m �[32m━━━━━�[0m�[37m━━━━━━━━━━━━━━━�[0m �[1m2s�[0m 741ms/step - accuracy: 0.5938 - loss: 1.7249
������������������������������������������������������������������������
�[1m4/4�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m1s�[0m 7ms/step - accuracy: 0.6439 - loss: 1.1901
Epoch 2/10
�[1m1/4�[0m �[32m━━━━━�[0m�[37m━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 20ms/step - accuracy: 0.7188 - loss: 0.8118
�����������������������������������������������������������������������
�[1m4/4�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m0s�[0m 7ms/step - accuracy: 0.7671 - loss: 0.6808
Epoch 3/10
�[1m1/4�[0m �[32m━━━━━�[0m�[37m━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 17ms/step - accuracy: 0.7812 - loss: 0.5190
�����������������������������������������������������������������������
�[1m4/4�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m0s�[0m 6ms/step - accuracy: 0.7425 - loss: 0.6462
Epoch 4/10
�[1m1/4�[0m �[32m━━━━━�[0m�[37m━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 15ms/step - accuracy: 0.6562 - loss: 0.6513
�����������������������������������������������������������������������
�[1m4/4�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m0s�[0m 6ms/step - accuracy: 0.6763 - loss: 0.6641
Epoch 5/10
�[1m1/4�[0m �[32m━━━━━�[0m�[37m━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 21ms/step - accuracy: 0.8750 - loss: 0.4543
�����������������������������������������������������������������������
�[1m4/4�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m0s�[0m 6ms/step - accuracy: 0.8407 - loss: 0.4536
Epoch 6/10
�[1m1/4�[0m �[32m━━━━━�[0m�[37m━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 17ms/step - accuracy: 0.7500 - loss: 0.4201
�����������������������������������������������������������������������
�[1m4/4�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m0s�[0m 6ms/step - accuracy: 0.7562 - loss: 0.4585
Epoch 7/10
�[1m1/4�[0m �[32m━━━━━�[0m�[37m━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 16ms/step - accuracy: 0.8750 - loss: 0.3604
�����������������������������������������������������������������������
�[1m4/4�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m0s�[0m 7ms/step - accuracy: 0.8480 - loss: 0.4009
Epoch 8/10
�[1m1/4�[0m �[32m━━━━━�[0m�[37m━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 17ms/step - accuracy: 0.8125 - loss: 0.5134
�����������������������������������������������������������������������
�[1m4/4�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m0s�[0m 6ms/step - accuracy: 0.8559 - loss: 0.4314
Epoch 9/10
�[1m1/4�[0m �[32m━━━━━�[0m�[37m━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 15ms/step - accuracy: 0.9688 - loss: 0.2045
�����������������������������������������������������������������������
�[1m4/4�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m0s�[0m 6ms/step - accuracy: 0.9039 - loss: 0.2653
Epoch 10/10
�[1m1/4�[0m �[32m━━━━━�[0m�[37m━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 16ms/step - accuracy: 0.8750 - loss: 0.3552
�����������������������������������������������������������������������
�[1m4/4�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m0s�[0m 8ms/step - accuracy: 0.8830 - loss: 0.3377
Epoch 1/10
/tmp/venv/lib/python3.10/site-packages/keras/src/layers/core/dense.py:87: UserWarning: Do not pass an `input_shape`/`input_dim` argument to a layer. When using Sequential models, prefer using an `Input(shape)` object as the first layer in the model instead.
super().__init__(activity_regularizer=activity_regularizer, **kwargs)
�[1m 1/47�[0m �[37m━━━━━━━━━━━━━━━━━━━━�[0m �[1m56s�[0m 1s/step - accuracy: 0.0000e+00 - loss: 1428.1855
�������������������������������������������������������������������������������
�[1m31/47�[0m �[32m━━━━━━━━━━━━━�[0m�[37m━━━━━━━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.0000e+00 - loss: 561.4589
������������������������������������������������������������������������������
�[1m47/47�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m1s�[0m 2ms/step - accuracy: 0.0000e+00 - loss: 471.9584
Epoch 2/10
�[1m 1/47�[0m �[37m━━━━━━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 16ms/step - accuracy: 0.0000e+00 - loss: 117.7597
�������������������������������������������������������������������������������
�[1m38/47�[0m �[32m━━━━━━━━━━━━━━━━�[0m�[37m━━━━�[0m �[1m0s�[0m 1ms/step - accuracy: 0.0000e+00 - loss: 164.0912
������������������������������������������������������������������������������
�[1m47/47�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m0s�[0m 2ms/step - accuracy: 0.0000e+00 - loss: 161.3587
Epoch 3/10
�[1m 1/47�[0m �[37m━━━━━━━━━━━━━━━━━━━━�[0m �[1m1s�[0m 27ms/step - accuracy: 0.0000e+00 - loss: 68.1414
������������������������������������������������������������������������������
�[1m29/47�[0m �[32m━━━━━━━━━━━━�[0m�[37m━━━━━━━━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.0000e+00 - loss: 128.0453
������������������������������������������������������������������������������
�[1m47/47�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m0s�[0m 3ms/step - accuracy: 0.0000e+00 - loss: 128.9018
Epoch 4/10
�[1m 1/47�[0m �[37m━━━━━━━━━━━━━━━━━━━━�[0m �[1m1s�[0m 29ms/step - accuracy: 0.0000e+00 - loss: 109.2826
�������������������������������������������������������������������������������
�[1m23/47�[0m �[32m━━━━━━━━━�[0m�[37m━━━━━━━━━━━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.0000e+00 - loss: 142.2675
������������������������������������������������������������������������������
�[1m44/47�[0m �[32m━━━━━━━━━━━━━━━━━━�[0m�[37m━━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.0000e+00 - loss: 141.2607
������������������������������������������������������������������������������
�[1m47/47�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m0s�[0m 3ms/step - accuracy: 0.0000e+00 - loss: 140.6008
Epoch 5/10
�[1m 1/47�[0m �[37m━━━━━━━━━━━━━━━━━━━━�[0m �[1m1s�[0m 32ms/step - accuracy: 0.0000e+00 - loss: 66.3914
������������������������������������������������������������������������������
�[1m17/47�[0m �[32m━━━━━━━�[0m�[37m━━━━━━━━━━━━━�[0m �[1m0s�[0m 3ms/step - accuracy: 0.0000e+00 - loss: 120.4241
������������������������������������������������������������������������������
�[1m36/47�[0m �[32m━━━━━━━━━━━━━━━�[0m�[37m━━━━━�[0m �[1m0s�[0m 3ms/step - accuracy: 0.0000e+00 - loss: 124.4273
������������������������������������������������������������������������������
�[1m47/47�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m0s�[0m 3ms/step - accuracy: 0.0000e+00 - loss: 125.8403
Epoch 6/10
�[1m 1/47�[0m �[37m━━━━━━━━━━━━━━━━━━━━�[0m �[1m1s�[0m 22ms/step - accuracy: 0.0000e+00 - loss: 196.0650
�������������������������������������������������������������������������������
�[1m27/47�[0m �[32m━━━━━━━━━━━�[0m�[37m━━━━━━━━━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.0000e+00 - loss: 133.4320
������������������������������������������������������������������������������
�[1m47/47�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m0s�[0m 2ms/step - accuracy: 0.0000e+00 - loss: 133.0234
Epoch 7/10
�[1m 1/47�[0m �[37m━━━━━━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 20ms/step - accuracy: 0.0000e+00 - loss: 107.0523
�������������������������������������������������������������������������������
�[1m27/47�[0m �[32m━━━━━━━━━━━�[0m�[37m━━━━━━━━━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.0000e+00 - loss: 129.1269
������������������������������������������������������������������������������
�[1m47/47�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m0s�[0m 2ms/step - accuracy: 0.0000e+00 - loss: 129.3331
Epoch 8/10
�[1m 1/47�[0m �[37m━━━━━━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 19ms/step - accuracy: 0.0000e+00 - loss: 80.2727
������������������������������������������������������������������������������
�[1m34/47�[0m �[32m━━━━━━━━━━━━━━�[0m�[37m━━━━━━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.0000e+00 - loss: 147.1817
������������������������������������������������������������������������������
�[1m47/47�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m0s�[0m 2ms/step - accuracy: 0.0000e+00 - loss: 143.5046
Epoch 9/10
�[1m 1/47�[0m �[37m━━━━━━━━━━━━━━━━━━━━�[0m �[1m1s�[0m 25ms/step - accuracy: 0.0000e+00 - loss: 146.4314
�������������������������������������������������������������������������������
�[1m38/47�[0m �[32m━━━━━━━━━━━━━━━━�[0m�[37m━━━━�[0m �[1m0s�[0m 1ms/step - accuracy: 0.0000e+00 - loss: 126.8036
������������������������������������������������������������������������������
�[1m47/47�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m0s�[0m 2ms/step - accuracy: 0.0000e+00 - loss: 126.3942
Epoch 10/10
�[1m 1/47�[0m �[37m━━━━━━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 17ms/step - accuracy: 0.0000e+00 - loss: 236.5764
�������������������������������������������������������������������������������
�[1m35/47�[0m �[32m━━━━━━━━━━━━━━�[0m�[37m━━━━━━�[0m �[1m0s�[0m 1ms/step - accuracy: 0.0000e+00 - loss: 121.0991
������������������������������������������������������������������������������
�[1m47/47�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m0s�[0m 2ms/step - accuracy: 0.0000e+00 - loss: 120.8583
Epoch 1/10
/tmp/venv/lib/python3.10/site-packages/keras/src/layers/core/dense.py:87: UserWarning: Do not pass an `input_shape`/`input_dim` argument to a layer. When using Sequential models, prefer using an `Input(shape)` object as the first layer in the model instead.
super().__init__(activity_regularizer=activity_regularizer, **kwargs)
�[1m 1/313�[0m �[37m━━━━━━━━━━━━━━━━━━━━�[0m �[1m4:15�[0m 820ms/step - accuracy: 0.0625 - loss: 923316951009198080.0000
�����������������������������������������������������������������������������������������������
�[1m 22/313�[0m �[32m━�[0m�[37m━━━━━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.1029 - loss: 903477363197607936.0000
�������������������������������������������������������������������������������������������
�[1m 35/313�[0m �[32m━━�[0m�[37m━━━━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 3ms/step - accuracy: 0.1060 - loss: 860542739803013120.0000
�������������������������������������������������������������������������������������������
�[1m 47/313�[0m �[32m━━━�[0m�[37m━━━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 3ms/step - accuracy: 0.1084 - loss: 828008603053981696.0000
�������������������������������������������������������������������������������������������
�[1m 58/313�[0m �[32m━━━�[0m�[37m━━━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 4ms/step - accuracy: 0.1102 - loss: 802890397356392448.0000
�������������������������������������������������������������������������������������������
�[1m 68/313�[0m �[32m━━━━�[0m�[37m━━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 4ms/step - accuracy: 0.1113 - loss: 781786783489720320.0000
�������������������������������������������������������������������������������������������
�[1m 85/313�[0m �[32m━━━━━�[0m�[37m━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 4ms/step - accuracy: 0.1125 - loss: 749430286588051456.0000
�������������������������������������������������������������������������������������������
�[1m105/313�[0m �[32m━━━━━━�[0m�[37m━━━━━━━━━━━━━━�[0m �[1m0s�[0m 4ms/step - accuracy: 0.1133 - loss: 714935858045648896.0000
�������������������������������������������������������������������������������������������
�[1m124/313�[0m �[32m━━━━━━━�[0m�[37m━━━━━━━━━━━━━�[0m �[1m0s�[0m 3ms/step - accuracy: 0.1140 - loss: 684026455885086720.0000
�������������������������������������������������������������������������������������������
�[1m140/313�[0m �[32m━━━━━━━━�[0m�[37m━━━━━━━━━━━━�[0m �[1m0s�[0m 3ms/step - accuracy: 0.1150 - loss: 658941235536330752.0000
�������������������������������������������������������������������������������������������
�[1m159/313�[0m �[32m━━━━━━━━━━�[0m�[37m━━━━━━━━━━�[0m �[1m0s�[0m 3ms/step - accuracy: 0.1183 - loss: 630196703051382784.0000
�������������������������������������������������������������������������������������������
�[1m177/313�[0m �[32m━━━━━━━━━━━�[0m�[37m━━━━━━━━━�[0m �[1m0s�[0m 3ms/step - accuracy: 0.1244 - loss: 604308564336443392.0000
�������������������������������������������������������������������������������������������
�[1m210/313�[0m �[32m━━━━━━━━━━━━━�[0m�[37m━━━━━━━�[0m �[1m0s�[0m 3ms/step - accuracy: 0.1437 - loss: 561153351421526016.0000
�������������������������������������������������������������������������������������������
�[1m255/313�[0m �[32m━━━━━━━━━━━━━━━━�[0m�[37m━━━━�[0m �[1m0s�[0m 3ms/step - accuracy: 0.1750 - loss: 511119903000887296.0000
�������������������������������������������������������������������������������������������
�[1m311/313�[0m �[32m━━━━━━━━━━━━━━━━━━━�[0m�[37m━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.2125 - loss: 460486361749651456.0000
�������������������������������������������������������������������������������������������
�[1m313/313�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m2s�[0m 2ms/step - accuracy: 0.2144 - loss: 458079427717234688.0000
Epoch 2/10
�[1m 1/313�[0m �[37m━━━━━━━━━━━━━━━━━━━━�[0m �[1m5s�[0m 18ms/step - accuracy: 0.7500 - loss: 4531319346298880.0000
������������������������������������������������������������������������������������������
�[1m 59/313�[0m �[32m━━━�[0m�[37m━━━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 872us/step - accuracy: 0.6503 - loss: 4425975609688064.0000
�������������������������������������������������������������������������������������������
�[1m121/313�[0m �[32m━━━━━━━�[0m�[37m━━━━━━━━━━━━━�[0m �[1m0s�[0m 845us/step - accuracy: 0.6464 - loss: 4379632912564224.0000
�������������������������������������������������������������������������������������������
�[1m182/313�[0m �[32m━━━━━━━━━━━�[0m�[37m━━━━━━━━━�[0m �[1m0s�[0m 839us/step - accuracy: 0.6449 - loss: 4295707640987648.0000
�������������������������������������������������������������������������������������������
�[1m239/313�[0m �[32m━━━━━━━━━━━━━━━�[0m�[37m━━━━━�[0m �[1m0s�[0m 851us/step - accuracy: 0.6454 - loss: 4208959502155776.0000
�������������������������������������������������������������������������������������������
�[1m297/313�[0m �[32m━━━━━━━━━━━━━━━━━━�[0m�[37m━━�[0m �[1m0s�[0m 854us/step - accuracy: 0.6454 - loss: 4133312511606784.0000
�������������������������������������������������������������������������������������������
�[1m313/313�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m0s�[0m 899us/step - accuracy: 0.6454 - loss: 4110048821248000.0000
Epoch 3/10
�[1m 1/313�[0m �[37m━━━━━━━━━━━━━━━━━━━━�[0m �[1m5s�[0m 16ms/step - accuracy: 0.5312 - loss: 2359806430019584.0000
������������������������������������������������������������������������������������������
�[1m 60/313�[0m �[32m━━━�[0m�[37m━━━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 858us/step - accuracy: 0.6560 - loss: 2363383064035328.0000
�������������������������������������������������������������������������������������������
�[1m 99/313�[0m �[32m━━━━━━�[0m�[37m━━━━━━━━━━━━━━�[0m �[1m0s�[0m 1ms/step - accuracy: 0.6646 - loss: 2416541605822464.0000
�����������������������������������������������������������������������������������������
�[1m120/313�[0m �[32m━━━━━━━�[0m�[37m━━━━━━━━━━━━━�[0m �[1m0s�[0m 1ms/step - accuracy: 0.6653 - loss: 2434645161410560.0000
�����������������������������������������������������������������������������������������
�[1m138/313�[0m �[32m━━━━━━━━�[0m�[37m━━━━━━━━━━━━�[0m �[1m0s�[0m 1ms/step - accuracy: 0.6657 - loss: 2460916134182912.0000
�����������������������������������������������������������������������������������������
�[1m155/313�[0m �[32m━━━━━━━━━�[0m�[37m━━━━━━━━━━━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.6659 - loss: 2472556569296896.0000
�����������������������������������������������������������������������������������������
�[1m174/313�[0m �[32m━━━━━━━━━━━�[0m�[37m━━━━━━━━━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.6664 - loss: 2473919952977920.0000
�����������������������������������������������������������������������������������������
�[1m195/313�[0m �[32m━━━━━━━━━━━━�[0m�[37m━━━━━━━━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.6668 - loss: 2467187323305984.0000
�����������������������������������������������������������������������������������������
�[1m223/313�[0m �[32m━━━━━━━━━━━━━━�[0m�[37m━━━━━━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.6668 - loss: 2457398019096576.0000
�����������������������������������������������������������������������������������������
�[1m250/313�[0m �[32m━━━━━━━━━━━━━━━�[0m�[37m━━━━━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.6668 - loss: 2440666705559552.0000
�����������������������������������������������������������������������������������������
�[1m278/313�[0m �[32m━━━━━━━━━━━━━━━━━�[0m�[37m━━━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.6667 - loss: 2419806049402880.0000
�����������������������������������������������������������������������������������������
�[1m312/313�[0m �[32m━━━━━━━━━━━━━━━━━━━�[0m�[37m━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.6664 - loss: 2399147793580032.0000
�����������������������������������������������������������������������������������������
�[1m313/313�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m1s�[0m 2ms/step - accuracy: 0.6664 - loss: 2397991373635584.0000
Epoch 4/10
�[1m 1/313�[0m �[37m━━━━━━━━━━━━━━━━━━━━�[0m �[1m6s�[0m 20ms/step - accuracy: 0.8438 - loss: 235193482870784.0000
�����������������������������������������������������������������������������������������
�[1m 42/313�[0m �[32m━━�[0m�[37m━━━━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 1ms/step - accuracy: 0.6955 - loss: 1480686485635072.0000
�����������������������������������������������������������������������������������������
�[1m 76/313�[0m �[32m━━━━�[0m�[37m━━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 1ms/step - accuracy: 0.6847 - loss: 1608959576244224.0000
�����������������������������������������������������������������������������������������
�[1m111/313�[0m �[32m━━━━━━━�[0m�[37m━━━━━━━━━━━━━�[0m �[1m0s�[0m 1ms/step - accuracy: 0.6814 - loss: 1644436677197824.0000
�����������������������������������������������������������������������������������������
�[1m152/313�[0m �[32m━━━━━━━━━�[0m�[37m━━━━━━━━━━━�[0m �[1m0s�[0m 1ms/step - accuracy: 0.6797 - loss: 1649624326602752.0000
�����������������������������������������������������������������������������������������
�[1m203/313�[0m �[32m━━━━━━━━━━━━�[0m�[37m━━━━━━━━�[0m �[1m0s�[0m 1ms/step - accuracy: 0.6778 - loss: 1627338278174720.0000
�����������������������������������������������������������������������������������������
�[1m258/313�[0m �[32m━━━━━━━━━━━━━━━━�[0m�[37m━━━━�[0m �[1m0s�[0m 1ms/step - accuracy: 0.6768 - loss: 1624430987968512.0000
�����������������������������������������������������������������������������������������
�[1m313/313�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m0s�[0m 1ms/step - accuracy: 0.6765 - loss: 1628174454620160.0000
Epoch 5/10
�[1m 1/313�[0m �[37m━━━━━━━━━━━━━━━━━━━━�[0m �[1m4s�[0m 16ms/step - accuracy: 0.7500 - loss: 1290535666974720.0000
������������������������������������������������������������������������������������������
�[1m 59/313�[0m �[32m━━━�[0m�[37m━━━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 868us/step - accuracy: 0.6618 - loss: 1310934614147072.0000
�������������������������������������������������������������������������������������������
�[1m104/313�[0m �[32m━━━━━━�[0m�[37m━━━━━━━━━━━━━━�[0m �[1m0s�[0m 985us/step - accuracy: 0.6668 - loss: 1304439012982784.0000
�������������������������������������������������������������������������������������������
�[1m146/313�[0m �[32m━━━━━━━━━�[0m�[37m━━━━━━━━━━━�[0m �[1m0s�[0m 1ms/step - accuracy: 0.6692 - loss: 1315233339539456.0000
�����������������������������������������������������������������������������������������
�[1m201/313�[0m �[32m━━━━━━━━━━━━�[0m�[37m━━━━━━━━�[0m �[1m0s�[0m 1ms/step - accuracy: 0.6712 - loss: 1330487050108928.0000
�����������������������������������������������������������������������������������������
�[1m258/313�[0m �[32m━━━━━━━━━━━━━━━━�[0m�[37m━━━━�[0m �[1m0s�[0m 985us/step - accuracy: 0.6728 - loss: 1333391387525120.0000
�������������������������������������������������������������������������������������������
�[1m312/313�[0m �[32m━━━━━━━━━━━━━━━━━━━�[0m�[37m━�[0m �[1m0s�[0m 977us/step - accuracy: 0.6745 - loss: 1328127234015232.0000
�������������������������������������������������������������������������������������������
�[1m313/313�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m0s�[0m 1ms/step - accuracy: 0.6745 - loss: 1327866180534272.0000
Epoch 6/10
�[1m 1/313�[0m �[37m━━━━━━━━━━━━━━━━━━━━�[0m �[1m4s�[0m 16ms/step - accuracy: 0.7500 - loss: 1955587730440192.0000
������������������������������������������������������������������������������������������
�[1m 63/313�[0m �[32m━━━━�[0m�[37m━━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 816us/step - accuracy: 0.7144 - loss: 1509943534419968.0000
�������������������������������������������������������������������������������������������
�[1m117/313�[0m �[32m━━━━━━━�[0m�[37m━━━━━━━━━━━━━�[0m �[1m0s�[0m 867us/step - accuracy: 0.7022 - loss: 1287964726394880.0000
�������������������������������������������������������������������������������������������
�[1m178/313�[0m �[32m━━━━━━━━━━━�[0m�[37m━━━━━━━━━�[0m �[1m0s�[0m 854us/step - accuracy: 0.6962 - loss: 1270391196614656.0000
�������������������������������������������������������������������������������������������
�[1m240/313�[0m �[32m━━━━━━━━━━━━━━━�[0m�[37m━━━━━�[0m �[1m0s�[0m 845us/step - accuracy: 0.6927 - loss: 1267584032833536.0000
�������������������������������������������������������������������������������������������
�[1m298/313�[0m �[32m━━━━━━━━━━━━━━━━━━━�[0m�[37m━�[0m �[1m0s�[0m 851us/step - accuracy: 0.6905 - loss: 1265208244830208.0000
�������������������������������������������������������������������������������������������
�[1m313/313�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m0s�[0m 891us/step - accuracy: 0.6900 - loss: 1263615617269760.0000
Epoch 7/10
�[1m 1/313�[0m �[37m━━━━━━━━━━━━━━━━━━━━�[0m �[1m4s�[0m 15ms/step - accuracy: 0.8750 - loss: 423747915874304.0000
�����������������������������������������������������������������������������������������
�[1m 56/313�[0m �[32m━━━�[0m�[37m━━━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 911us/step - accuracy: 0.6814 - loss: 1523449730170880.0000
�������������������������������������������������������������������������������������������
�[1m116/313�[0m �[32m━━━━━━━�[0m�[37m━━━━━━━━━━━━━�[0m �[1m0s�[0m 875us/step - accuracy: 0.6824 - loss: 1379212514557952.0000
�������������������������������������������������������������������������������������������
�[1m180/313�[0m �[32m━━━━━━━━━━━�[0m�[37m━━━━━━━━━�[0m �[1m0s�[0m 845us/step - accuracy: 0.6823 - loss: 1266359967154176.0000
�������������������������������������������������������������������������������������������
�[1m236/313�[0m �[32m━━━━━━━━━━━━━━━�[0m�[37m━━━━━�[0m �[1m0s�[0m 860us/step - accuracy: 0.6811 - loss: 1207681721303040.0000
�������������������������������������������������������������������������������������������
�[1m278/313�[0m �[32m━━━━━━━━━━━━━━━━━�[0m�[37m━━━�[0m �[1m0s�[0m 915us/step - accuracy: 0.6795 - loss: 1191431712538624.0000
�������������������������������������������������������������������������������������������
�[1m310/313�[0m �[32m━━━━━━━━━━━━━━━━━━━�[0m�[37m━�[0m �[1m0s�[0m 986us/step - accuracy: 0.6786 - loss: 1195204572872704.0000
�������������������������������������������������������������������������������������������
�[1m313/313�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m0s�[0m 1ms/step - accuracy: 0.6785 - loss: 1196046252244992.0000
Epoch 8/10
�[1m 1/313�[0m �[37m━━━━━━━━━━━━━━━━━━━━�[0m �[1m9s�[0m 31ms/step - accuracy: 0.7812 - loss: 788719204302848.0000
�����������������������������������������������������������������������������������������
�[1m 32/313�[0m �[32m━━�[0m�[37m━━━━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.7401 - loss: 1975042321678336.0000
�����������������������������������������������������������������������������������������
�[1m 63/313�[0m �[32m━━━━�[0m�[37m━━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.7149 - loss: 1692241273815040.0000
�����������������������������������������������������������������������������������������
�[1m 92/313�[0m �[32m━━━━━�[0m�[37m━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.7072 - loss: 1576177433051136.0000
�����������������������������������������������������������������������������������������
�[1m126/313�[0m �[32m━━━━━━━━�[0m�[37m━━━━━━━━━━━━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.7013 - loss: 1467352759664640.0000
�����������������������������������������������������������������������������������������
�[1m160/313�[0m �[32m━━━━━━━━━━�[0m�[37m━━━━━━━━━━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.6969 - loss: 1384510490935296.0000
�����������������������������������������������������������������������������������������
�[1m187/313�[0m �[32m━━━━━━━━━━━�[0m�[37m━━━━━━━━━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.6936 - loss: 1337271353606144.0000
�����������������������������������������������������������������������������������������
�[1m220/313�[0m �[32m━━━━━━━━━━━━━━�[0m�[37m━━━━━━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.6906 - loss: 1289025046446080.0000
�����������������������������������������������������������������������������������������
�[1m262/313�[0m �[32m━━━━━━━━━━━━━━━━�[0m�[37m━━━━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.6883 - loss: 1242427335639040.0000
�����������������������������������������������������������������������������������������
�[1m304/313�[0m �[32m━━━━━━━━━━━━━━━━━━━�[0m�[37m━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.6865 - loss: 1217692082110464.0000
�����������������������������������������������������������������������������������������
�[1m313/313�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m1s�[0m 2ms/step - accuracy: 0.6860 - loss: 1212927486984192.0000
Epoch 9/10
�[1m 1/313�[0m �[37m━━━━━━━━━━━━━━━━━━━━�[0m �[1m6s�[0m 19ms/step - accuracy: 0.8750 - loss: 869750204792832.0000
�����������������������������������������������������������������������������������������
�[1m 42/313�[0m �[32m━━�[0m�[37m━━━━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 1ms/step - accuracy: 0.7035 - loss: 1321110868066304.0000
�����������������������������������������������������������������������������������������
�[1m 94/313�[0m �[32m━━━━━━�[0m�[37m━━━━━━━━━━━━━━�[0m �[1m0s�[0m 1ms/step - accuracy: 0.6958 - loss: 1089104787800064.0000
�����������������������������������������������������������������������������������������
�[1m146/313�[0m �[32m━━━━━━━━━�[0m�[37m━━━━━━━━━━━�[0m �[1m0s�[0m 1ms/step - accuracy: 0.6908 - loss: 1030221994131456.0000
�����������������������������������������������������������������������������������������
�[1m188/313�[0m �[32m━━━━━━━━━━━━�[0m�[37m━━━━━━━━�[0m �[1m0s�[0m 1ms/step - accuracy: 0.6880 - loss: 1002560391479296.0000
�����������������������������������������������������������������������������������������
�[1m244/313�[0m �[32m━━━━━━━━━━━━━━━�[0m�[37m━━━━━�[0m �[1m0s�[0m 1ms/step - accuracy: 0.6846 - loss: 980404332920832.0000
����������������������������������������������������������������������������������������
�[1m283/313�[0m �[32m━━━━━━━━━━━━━━━━━━�[0m�[37m━━�[0m �[1m0s�[0m 1ms/step - accuracy: 0.6831 - loss: 979653384732672.0000
����������������������������������������������������������������������������������������
�[1m313/313�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m0s�[0m 1ms/step - accuracy: 0.6823 - loss: 986761891151872.0000
Epoch 10/10
�[1m 1/313�[0m �[37m━━━━━━━━━━━━━━━━━━━━�[0m �[1m6s�[0m 20ms/step - accuracy: 0.7812 - loss: 463804928360448.0000
�����������������������������������������������������������������������������������������
�[1m 33/313�[0m �[32m━━�[0m�[37m━━━━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.6787 - loss: 597118834180096.0000
����������������������������������������������������������������������������������������
�[1m 81/313�[0m �[32m━━━━━�[0m�[37m━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 1ms/step - accuracy: 0.6796 - loss: 750888998141952.0000
����������������������������������������������������������������������������������������
�[1m117/313�[0m �[32m━━━━━━━�[0m�[37m━━━━━━━━━━━━━�[0m �[1m0s�[0m 1ms/step - accuracy: 0.6808 - loss: 758776705581056.0000
����������������������������������������������������������������������������������������
�[1m140/313�[0m �[32m━━━━━━━━�[0m�[37m━━━━━━━━━━━━�[0m �[1m0s�[0m 1ms/step - accuracy: 0.6795 - loss: 759003936194560.0000
����������������������������������������������������������������������������������������
�[1m156/313�[0m �[32m━━━━━━━━━�[0m�[37m━━━━━━━━━━━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.6788 - loss: 767263292522496.0000
����������������������������������������������������������������������������������������
�[1m173/313�[0m �[32m━━━━━━━━━━━�[0m�[37m━━━━━━━━━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.6785 - loss: 780616211628032.0000
����������������������������������������������������������������������������������������
�[1m201/313�[0m �[32m━━━━━━━━━━━━�[0m�[37m━━━━━━━━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.6776 - loss: 808416192757760.0000
����������������������������������������������������������������������������������������
�[1m229/313�[0m �[32m━━━━━━━━━━━━━━�[0m�[37m━━━━━━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.6769 - loss: 841323695308800.0000
����������������������������������������������������������������������������������������
�[1m246/313�[0m �[32m━━━━━━━━━━━━━━━�[0m�[37m━━━━━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.6765 - loss: 860903847231488.0000
����������������������������������������������������������������������������������������
�[1m269/313�[0m �[32m━━━━━━━━━━━━━━━━━�[0m�[37m━━━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.6759 - loss: 884215453319168.0000
����������������������������������������������������������������������������������������
�[1m297/313�[0m �[32m━━━━━━━━━━━━━━━━━━�[0m�[37m━━�[0m �[1m0s�[0m 2ms/step - accuracy: 0.6754 - loss: 905552515301376.0000
����������������������������������������������������������������������������������������
�[1m313/313�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m1s�[0m 2ms/step - accuracy: 0.6753 - loss: 915578780909568.0000
<keras.src.callbacks.history.History at 0x706784505180>
print(bin_model.predict(pd.DataFrame(bin_X)))
print(reg_model.predict(pd.DataFrame(reg_X)))
print(multi_model.predict(pd.DataFrame(multi_X)))
�[1m1/4�[0m �[32m━━━━━�[0m�[37m━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 90ms/step
�������������������������������������
�[1m4/4�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m0s�[0m 21ms/step
�������������������������������������
�[1m4/4�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m0s�[0m 27ms/step
[[0.02779404]
[0.03588174]
[0.04144409]
[0.05069022]
[0.04380393]
[0.03880193]
[0.08277724]
[0.08449268]
[0.14780703]
[0.13095973]
[0.1072793 ]
[0.16595115]
[0.19992554]
[0.25555167]
[0.14634201]
[0.15422742]
[0.19780077]
[0.2505769 ]
[0.21726541]
[0.2769585 ]
[0.29006815]
[0.31282887]
[0.38344342]
[0.39060068]
[0.44995153]
[0.4893678 ]
[0.485468 ]
[0.48855612]
[0.5254908 ]
[0.6207683 ]
[0.64786035]
[0.5959883 ]
[0.5859966 ]
[0.57706076]
[0.7418964 ]
[0.74844897]
[0.71349716]
[0.807152 ]
[0.85526216]
[0.8931468 ]
[0.9277032 ]
[0.9211205 ]
[0.97200423]
[0.9536292 ]
[0.97210014]
[0.9621681 ]
[0.98671085]
[0.9706102 ]
[0.98698986]
[0.9920654 ]
[0.9849849 ]
[0.9899571 ]
[0.9879906 ]
[0.9912308 ]
[0.9871269 ]
[0.9930132 ]
[0.9940875 ]
[0.9949989 ]
[0.99612075]
[0.9949118 ]
[0.9958558 ]
[0.99656516]
[0.9968136 ]
[0.996703 ]
[0.9967317 ]
[0.9971538 ]
[0.9973977 ]
[0.99833375]
[0.02779404]
[0.03588174]
[0.04144409]
[0.05069022]
[0.04380393]
[0.03880193]
[0.08277724]
[0.08449268]
[0.14780703]
[0.13095973]
[0.1072793 ]
[0.16595115]
[0.19992554]
[0.25555167]
[0.14634201]
[0.15422742]
[0.19780077]
[0.2505769 ]
[0.21726541]
[0.2769585 ]
[0.29006815]
[0.31282887]
[0.38344342]
[0.39060068]
[0.44995153]
[0.4893678 ]
[0.48546815]
[0.48855612]
[0.5254908 ]
[0.6207683 ]
[0.6478606 ]
[0.5959883 ]
[0.5859966 ]
[0.57706076]
[0.99656516]
[0.9968136 ]
[0.996703 ]
[0.9967317 ]
[0.9971538 ]
[0.9973977 ]
[0.99833375]]
�[1m 1/47�[0m �[37m━━━━━━━━━━━━━━━━━━━━�[0m �[1m2s�[0m 50ms/step
���������������������������������������
�[1m47/47�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m0s�[0m 2ms/step
��������������������������������������
�[1m47/47�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m0s�[0m 2ms/step
[[24.512632]
[24.521473]
[25.99413 ]
...
[28.105919]
[19.978878]
[28.46393 ]]
�[1m 1/313�[0m �[37m━━━━━━━━━━━━━━━━━━━━�[0m �[1m9s�[0m 31ms/step
�����������������������������������������
�[1m 91/313�[0m �[32m━━━━━�[0m�[37m━━━━━━━━━━━━━━━�[0m �[1m0s�[0m 557us/step
������������������������������������������
�[1m195/313�[0m �[32m━━━━━━━━━━━━�[0m�[37m━━━━━━━━�[0m �[1m0s�[0m 519us/step
������������������������������������������
�[1m273/313�[0m �[32m━━━━━━━━━━━━━━━━━�[0m�[37m━━━�[0m �[1m0s�[0m 557us/step
������������������������������������������
�[1m313/313�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m0s�[0m 679us/step
������������������������������������������
�[1m313/313�[0m �[32m━━━━━━━━━━━━━━━━━━━━�[0m�[37m�[0m �[1m0s�[0m 728us/step
[[0. 0. 0.99999994]
[0.99999994 0. 0. ]
[0.99999994 0. 0. ]
...
[0. 0. 0.99999994]
[0.99999994 0. 0. ]
[0.99999994 0. 0. ]]
FIXTURE_ROOT = '~/workspace/datarobot-user-models/tests/fixtures/drop_in_model_artifacts'
bin_model.save(os.path.expanduser(os.path.join(FIXTURE_ROOT, 'keras_bin.h5')))
reg_model.save(os.path.expanduser(os.path.join(FIXTURE_ROOT, 'keras_reg.h5')))
multi_model.save(os.path.expanduser(os.path.join(FIXTURE_ROOT, 'keras_multi.h5')))
WARNING:absl:You are saving your model as an HDF5 file via `model.save()` or `keras.saving.save_model(model)`. This file format is considered legacy. We recommend using instead the native Keras format, e.g. `model.save('my_model.keras')` or `keras.saving.save_model(model, 'my_model.keras')`.
WARNING:absl:You are saving your model as an HDF5 file via `model.save()` or `keras.saving.save_model(model)`. This file format is considered legacy. We recommend using instead the native Keras format, e.g. `model.save('my_model.keras')` or `keras.saving.save_model(model, 'my_model.keras')`.
WARNING:absl:You are saving your model as an HDF5 file via `model.save()` or `keras.saving.save_model(model)`. This file format is considered legacy. We recommend using instead the native Keras format, e.g. `model.save('my_model.keras')` or `keras.saving.save_model(model, 'my_model.keras')`.