Du bist bei der letzten Übung des Kurses angekommen – jetzt weißt du alles, was du brauchst, um ein genaues Modell zur Erkennung handgeschriebener Ziffern zu erstellen!

Die grundlegende Aufbereitung des MNIST-Datensatzes aus dem Video wurde bereits erledigt, sodass X und y geladen und bereit zum Modellieren sind. Sequential und Dense aus tensorflow.keras wurden ebenfalls vorab importiert.

Als zusätzliche Herausforderung haben wir nur 2.500 Bilder geladen statt 60.000, wie du sie in manchen veröffentlichten Ergebnissen siehst. Deep-Learning-Modelle liefern mit mehr Daten bessere Ergebnisse, benötigen dann aber auch mehr Trainingszeit – besonders, wenn sie komplexer werden.

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

Bereit, dein Deep Learning aufs nächste Level zu bringen? Schau dir Fortgeschrittenes Deep Learning mit Keras an, um zu sehen, wie dir die funktionale API von Keras dabei hilft, Fachwissen aufzubauen und neue Problemarten zu lösen. Sobald du weißt, wie die funktionale API funktioniert, wirf einen Blick auf Bildmodellierung mit Keras, um bildspezifische Anwendungen von Keras kennenzulernen.

Optimierungsprobleme diagnostizieren

Einführung in Deep Learning mit Python

Interaktive Übung