Aktivierungsfunktionen vergleichen II

Was du in der vorherigen Übung codiert hast, wurde ausgeführt, um die Variable activation_results zu erhalten; diesmal wurden 100 Epochen statt 20 verwendet. So hast du mehr Epochen, um zu vergleichen, wie sich das Training je nach Aktivierungsfunktion entwickelt.

Für jeden h_callback jeder Aktivierungsfunktion in activation_results gilt:

h_callback.history['val_loss'] wurde extrahiert.
h_callback.history['val_accuracy'] wurde extrahiert.

Beides wurde in zwei Dictionaries gespeichert: val_loss_per_function und val_acc_per_function.

Pandas ist außerdem als pd geladen. Lass uns schnell ein paar Diagramme für Validierungsverlust und Genauigkeit zeichnen!

Diese Übung ist Teil des Kurses

<Kurs>Einstieg ins Deep Learning mit Keras</Kurs>

Übungsanweisungen

Verwende pd.DataFrame(), um aus dem Dictionary val_loss_per_function ein neues DataFrame zu erstellen.
Rufe plot() auf dem DataFrame auf.
Erstelle ein weiteres pandas-DataFrame aus val_acc_per_function.
Zeichne auch dieses DataFrame.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Create a dataframe from val_loss_per_function
val_loss= ____.____(____)

# Call plot on the dataframe
____
plt.show()

# Create a dataframe from val_acc_per_function
val_acc = _____

# Call plot on the dataframe
____
plt.show()

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

<Kurs>Einstieg ins Deep Learning mit Keras</Kurs>

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

In diesem ersten Kapitel lernst du neuronale Netze kennen, verstehst, welche Arten von Problemen sie lösen können und wann du sie einsetzen solltest. Außerdem baust du mehrere Netze und rettest die Erde, indem du ein Regressionsmodell trainierst, das die Umlaufbahn eines auf uns zusteuernden Meteors annähert!

Exercise 1: Was ist Keras?Exercise 2: Keras beschreiben Exercise 3: Würdest du Deep Learning verwenden?Exercise 4: Dein erstes neuronales Netz Exercise 5: Hallo, Netze!Exercise 6: Parameter zählen Exercise 7: Baue es wie gezeigt!Exercise 8: Einen Meteoriteneinschlag überleben Exercise 9: Ein Modell spezifizieren Exercise 10: Training Exercise 11: Die Umlaufbahn vorhersagen!

Am Ende dieses Kapitels weißt du, wie du binäre, Multi-Klassen- und Multi-Label-Probleme mit neuronalen Netzen löst. Das übst du an Aufgaben wie dem Erkennen gefälschter Dollar-Scheine, der Entscheidung, wer welchen Dartpfeil auf eine Scheibe geworfen hat, und dem Bau eines intelligenten Systems zum Bewässern deines Bauernhofs. Außerdem kannst du Metriken des Modelltrainings plotten sowie das Training stoppen und deine Modelle speichern, wenn sie sich nicht weiter verbessern.

Exercise 1: Binäre Klassifikation Exercise 2: Dollar-Scheine erkunden Exercise 3: Ein Modell zur binären Klassifikation Exercise 4: Ist dieser Dollarschein gefälscht?Exercise 5: Multiklassenklassifikation Exercise 6: Ein Multiklassen-Modell Exercise 7: Bereite deinen Datensatz vor Exercise 8: Training mit Dartwerfer:innen Exercise 9: Softmax-Vorhersagen Exercise 10: Multi-Label-Klassifikation Exercise 11: Eine Bewässerungsmaschine Exercise 12: Training mit mehreren Labels Exercise 13: Keras-Callbacks Exercise 14: Der History-Callback Exercise 15: Early Stopping für dein Modell Exercise 16: Eine Kombination aus Callbacks

In den vorherigen Kapiteln hast du viele Modelle trainiert! Jetzt lernst du, Lernkurven zu interpretieren, um deine Modelle während des Trainings zu verstehen. Du visualisierst außerdem die Auswirkungen von Aktivierungsfunktionen, Batchgrößen und Batch-Normalisierung. Abschließend erfährst du, wie du mit sklearn eine automatische Hyperparameteroptimierung für deine Keras-Modelle durchführst.

Exercise 1: Lernkurven Exercise 2: Ziffern lernen Exercise 3: Overfittet das Modell?Exercise 4: Brauchen wir mehr Daten?Exercise 5: Aktivierungsfunktionen Exercise 6: Verschiedene Aktivierungsfunktionen Exercise 7: Aktivierungsfunktionen vergleichen Exercise 8: Aktivierungsfunktionen vergleichen II

Aktuelle Übung

Exercise 9: Batchgröße und Batch-Normalisierung Exercise 10: Batch-Größen ändern Exercise 11: Ein vertrautes Modell mit Batch-Normalisierung Exercise 12: Effekte der Batch-Normalisierung Exercise 13: Hyperparameteroptimierung Exercise 14: Ein Modell für das Tuning vorbereiten Exercise 15: Modellparameter abstimmen Exercise 16: Training mit Cross-Validation

Zeit für fortgeschrittenere Architekturen! Du erstellst einen Autoencoder, um verrauschte Bilder zu rekonstruieren, visualisierst Aktivierungen von Convolutional Neural Networks, nutzt tiefe vortrainierte Modelle zur Bildklassifikation und lernst mehr über rekurrente neuronale Netze und die Arbeit mit Text, während du ein Netz baust, das das nächste Wort in einem Satz vorhersagt.

Exercise 1: Tensors, Layers und Autoencoder Exercise 2: Es ist ein Fluss aus Tensoren Exercise 3: Neuronale Trennung Exercise 4: Einen Autoencoder erstellen Exercise 5: Rauschen entfernen wie ein Autoencoder Exercise 6: Einführung in CNNs Exercise 7: Ein CNN-Modell erstellen Exercise 8: Faltungen betrachten Exercise 9: Dein Eingabebild vorbereiten Exercise 10: Ein Modell aus der Praxis verwenden Exercise 11: Einführung in LSTMs Exercise 12: Textvorhersage mit LSTMs Exercise 13: Baue dein LSTM-Modell Exercise 14: Dekodiere deine Vorhersagen Exercise 15: Teste dein Modell!Exercise 16: Geschafft!