Různé aktivační funkce

Funkce sigmoid(), tanh(), ReLU() a leaky_ReLU() jsou již definované a připravené k použití. Každá funkce přijme vstupní číslo X a vrátí odpovídající hodnotu Y.

Které z následujících tvrzení je nepravdivé?

Toto cvičení je součástí kurzu

Úvod do hlubokého učení s Keras

Zobrazit kurz

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

Toto cvičení je součástí kurzu

Úvod do hlubokého učení s Keras

SkillTag.level.intermediateSkillTag.label

4.8+

132 reviews

Začněte kurz zdarma

V této první kapitole se seznámíš s neuronovými sítěmi, pochopíš, jaké problémy dokážou řešit a kdy se hodí použít. Také sestavíš několik sítí a zachráníš Zemi – natrénuješ regresní model, který aproximuje dráhu meteoru mířícího přímo k nám!

Exercise 1: Co je Keras?Exercise 2: Popis Kerasu Exercise 3: Použil/a bys deep learning?Exercise 4: Tvoje první neuronová síť Exercise 5: Hello nets!Exercise 6: Počítání parametrů Exercise 7: Postav síť podle obrázku!Exercise 8: Přežít dopad meteoritu Exercise 9: Definice modelu Exercise 10: Trénování Exercise 11: Předpovídáme dráhu!

Po dokončení této kapitoly budeš vědět, jak pomocí neuronových sítí řešit binární, vícetrídní i víceštítkové problémy. To vše při řešení úloh, jako je odhalování falešných dolarových bankovek, rozhodování, kdo hodil který šipku na terč, nebo budování chytrého systému pro zavlažování farmy. Naučíš se také vykreslovat metriky trénování modelu a zastavit trénink a uložit modely ve chvíli, kdy se přestanou zlepšovat.

Exercise 1: Binární klasifikace Exercise 2: Prozkoumání dolarových bankovek Exercise 3: Model pro binární klasifikaci Exercise 4: Je tato dolarová bankovka falešná?Exercise 5: Klasifikace do více tříd Exercise 6: Model pro multi-class klasifikaci Exercise 7: Připrav svůj dataset Exercise 8: Trénink na házení šipek Exercise 9: Předpovědi se Softmax Exercise 10: Víceštítková klasifikace Exercise 11: Závlahový stroj Exercise 12: Trénování s více štítky Exercise 13: Keras callbacks Exercise 14: Callback history Exercise 15: Předčasné zastavení trénování modelu Exercise 16: Kombinace callbacků

V předchozích kapitolách jsi natrénoval/a spoustu modelů! Teď se naučíš interpretovat křivky učení, aby ses lépe orientoval/a v tom, co se děje během tréninku. Vizualizuješ také vliv aktivačních funkcí, velikostí dávek a dávkové normalizace. Na závěr se naučíš provádět automatickou optimalizaci hyperparametrů svých Keras modelů pomocí sklearn.

Exercise 1: Křivky učení Exercise 2: Rozpoznávání číslic Exercise 3: Dochází k přetrénování modelu?Exercise 4: Potřebujeme více dat?Exercise 5: Aktivační funkce Exercise 6: Různé aktivační funkce

Aktuální cvičení

Exercise 7: Porovnání aktivačních funkcí Exercise 8: Porovnání aktivačních funkcí II Exercise 9: Velikost dávky a dávková normalizace Exercise 10: Změna velikosti dávky Exercise 11: Batch normalizace známého modelu Exercise 12: Efekty batch normalizace Exercise 13: Ladění hyperparametrů Exercise 14: Příprava modelu pro ladění hyperparametrů Exercise 15: Ladění parametrů modelu Exercise 16: Trénování s křížovou validací

Je čas seznámit se s pokročilejšími architekturami! Vytvoříš autoencoder pro rekonstrukci zašuměných obrázků, vizualizuješ aktivace konvolučních neuronových sítí, použiješ hluboké předtrénované modely ke klasifikaci obrázků a dozvíš se více o rekurentních neuronových sítích a práci s textem – to vše při budování sítě, která předpovídá další slovo ve větě.

Exercise 1: Tenzory, vrstvy a autoencodery Exercise 2: Tok tenzorů Exercise 3: Neuronové oddělování Exercise 4: Vytvoření autoencoderu Exercise 5: Odstranění šumu pomocí autoencoderu Exercise 6: Úvod do CNN Exercise 7: Sestavení modelu CNN Exercise 8: Pohled do konvolucí Exercise 9: Příprava vstupního obrázku Exercise 10: Použití reálného modelu Exercise 11: Úvod do LSTM sítí Exercise 12: Předpovídání textu pomocí LSTM Exercise 13: Postav svůj LSTM model Exercise 14: Dekóduj své predikce Exercise 15: Otestuj svůj model!Exercise 16: Hotovo!