Součty přes dimenze tensoru

Máš k dispozici matici wealth, která obsahuje hodnotu majetku v dluhopisech a akciích pro pět jednotlivců v tisících dolarů.

wealth = \(\begin{bmatrix} 11 & 50 \\ 7 & 2 \\ 4 & 60 \\ 3 & 0 \\ 25 & 10 \end{bmatrix}\)

První sloupec odpovídá dluhopisům a druhý akciím. Každý řádek udává hodnotu majetku v dluhopisech a akciích pro jednoho jednotlivce. Pomocí wealth, reduce_sum() a .numpy() zjisti, která tvrzení o wealth jsou správná.

Toto cvičení je součástí kurzu

Úvod do TensorFlow v Pythonu

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

Toto cvičení je součástí kurzu

Úvod do TensorFlow v Pythonu

SkillTag.level.intermediateSkillTag.label

4.8+

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

Aktuální cvičení

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 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!