Du hast die letzte Übung des Kurses geschafft – jetzt weißt du alles, was du brauchst, um ein genaues Modell zur Erkennung handgeschriebener Ziffern zu erstellen!

Wir haben die grundlegenden Schritte mit dem MNIST-Datensatz aus dem Video schon erledigt, also hast du die Dateien „ X “ und „ y “ geladen und kannst mit dem Modellieren loslegen. Die Dateien „ Sequential “ und „ Dense “ von tensorflow.keras sind auch schon importiert.

Um es noch spannender zu machen, haben wir nur 2500 Bilder hochgeladen, statt 60000, wie du in einigen veröffentlichten Ergebnissen sehen wirst. Deep-Learning-Modelle funktionieren besser mit mehr Daten, brauchen aber auch länger zum Trainieren, vor allem wenn sie komplexer werden.

Wenn du einen Computer mit einer CUDA-kompatiblen GPU hast, kannst du diese nutzen, um die Rechenzeit zu verbessern. Wenn du keine GPU hast, ist das kein Problem! Du kannst eine Deep-Learning-Umgebung in der Cloud einrichten, die deine Modelle auf einer GPU ausführt. Hier ist ein Blogbeitrag von Dan, der erklärt, wie das geht – schau ihn dir nach dieser Übung an! Das ist ein toller nächster Schritt auf deiner Reise ins Deep Learning.

Bist du bereit, dein Deep Learning auf die nächste Stufe zu bringen? Schau dir „Advanced Deep Learning mit Keras“ an, um zu erfahren, wie du mit der funktionalen API von Keras Fachwissen aufbauen kannst, um neue Probleme zu lösen. Wenn du weißt, wie die funktionale API funktioniert, schau dir Bildverarbeitung mit Keras in Python an, um bildspezifische Anwendungen von Keras kennenzulernen.

Optimierungsprobleme erkennen

Einführung in Deep Learning mit Python

Interaktive Übung