Trénování a validace s Keras

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Toto cvičení je součástí kurzu

Úvod do TensorFlow v Pythonu

SkillTag.level.intermediateSkillTag.label

4.8+

54 reviews

Začněte kurz zdarma

Než se pustíš do pokročilých modelů v TensorFlow 2, je důležité zvládnout základy. V této kapitole se naučíš definovat konstanty a proměnné, provádět sčítání a násobení tenzorů a počítat derivace. Znalost lineární algebry se hodí, ale není podmínkou.

Exercise 1: Konstanty a proměnné Exercise 2: Definování dat jako konstant Exercise 3: Definování proměnných Exercise 4: Základní operace Exercise 5: Násobení po prvcích Exercise 6: Předpovědi pomocí maticového násobení Exercise 7: Součty přes dimenze tensoru Exercise 8: Pokročilé operace Exercise 9: Přeformátování tensorů Exercise 10: Optimalizace pomocí gradientů Exercise 11: Práce s obrazovými daty

V této kapitole se naučíš, jak v TensorFlow 2 sestavovat a řešit modely a jak s nimi dělat predikce. Zaměříš se na jednoduchou třídu modelů – lineární regresi – a pokusíš se předpovídat ceny nemovitostí. Na konci kapitoly budeš vědět, jak načítat a zpracovávat data, sestavovat ztrátové funkce, provádět minimalizaci, generovat predikce a šetřit prostředky pomocí dávkového trénování.

Exercise 1: Vstupní data Exercise 2: Načtení dat pomocí pandas Exercise 3: Nastavení datového typu Exercise 4: Ztrátové funkce Exercise 5: Ztrátové funkce v TensorFlow Exercise 6: Úprava ztrátové funkce Exercise 7: Lineární regrese Exercise 8: Nastavení lineární regrese Exercise 9: Trénování lineárního modelu Exercise 10: Vícenásobná lineární regrese Exercise 11: Dávkové trénování Exercise 12: Preparing to batch train Exercise 13: Trénování lineárního modelu po dávkách

V předchozích kapitolách sis osvojil/a, jak stavět modely v TensorFlow 2. V této kapitole použiješ stejné nástroje k sestavení, trénování a predikci s neuronovými sítěmi. Naučíš se definovat husté vrstvy, aplikovat aktivační funkce, vybírat optimalizátor a používat regularizaci k omezení přeučení. Využiješ flexibilitu TensorFlow a budeš pracovat jak s low-level lineární algebrou, tak s high-level operacemi Keras API.

Exercise 1: Husté vrstvy Exercise 2: Lineární algebra hustých vrstev Exercise 3: Nízkoúrovňový přístup s více příklady Exercise 4: Použití operace husté vrstvy Exercise 5: Aktivační funkce Exercise 6: Problémy binární klasifikace Exercise 7: Klasifikace do více tříd Exercise 8: Optimizéry Exercise 9: Nástrahy lokálních minim Exercise 10: Jak se vyhnout lokálním minimům Exercise 11: Trénování sítě v TensorFlow Exercise 12: Inicializace v TensorFlow Exercise 13: Definice modelu a ztrátové funkce Exercise 14: Trénování neuronových sítí pomocí TensorFlow

V závěrečné kapitole použiješ high-level API v TensorFlow 2 k trénování klasifikátoru písmen znakové řeči. Využiješ sekvenční i funkcionální Keras API k trénování, validaci, predikci a vyhodnocování modelů. Zároveň se naučíš, jak pomocí Estimators API zjednodušit definici a trénování modelů a předejít chybám.

Exercise 1: Definice neuronových sítí pomocí Keras Exercise 2: Sekvenční model v Keras Exercise 3: Kompilace sekvenčního modelu Exercise 4: Definice modelu s více vstupy Exercise 5: Trénování a validace s Keras

Aktuální cvičení

Exercise 6: Trénování s Keras Exercise 7: Metriky a validace v Keras Exercise 8: Detekce přetrénování Exercise 9: Vyhodnocení modelů Exercise 10: Trénování modelů pomocí Estimators API Exercise 11: Příprava na trénování s Estimators Exercise 12: Definování Estimatorů Exercise 13: Gratulujeme!