Vorbereitung auf das Training mit Estimators

In dieser Aufgabe kehren wir zum Datensatz der Immobilienverkäufe im King County aus Kapitel 2 zurück. Wir entwickeln und trainieren erneut ein Machine-Learning-Modell zur Vorhersage von Hauspreisen, verwenden dafür diesmal aber die estimator-API.

Anstatt alles in einem Schritt zu erledigen, teilen wir den Ablauf in mehrere Teile auf. Wir beginnen damit, die Feature-Spalten zu definieren und die Daten zu laden. In der nächsten Übung definieren und trainieren wir einen vorgefertigten estimator. Beachte, dass feature_column bereits aus tensorflow importiert wurde. Außerdem wurde numpy als np importiert, und der Kings-County-Immobiliendatensatz steht dir als pandas-DataFrame housing zur Verfügung.

Diese Übung ist Teil des Kurses

<Kurs>Einführung in TensorFlow mit Python</Kurs>

Übungsanweisungen

Vervollständige die Feature-Spalte für bedrooms und füge eine weitere numerische Feature-Spalte für bathrooms hinzu. Verwende bedrooms und bathrooms als Keys.
Erstelle eine Liste der Feature-Spalten, feature_list, in der Reihenfolge, in der sie definiert wurden.
Setze labels auf die Spalte price in housing.
Vervollständige den bedrooms-Eintrag im features-Dictionary und füge einen weiteren Eintrag für bathrooms hinzu.

Interaktive praktische Übung

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

# Define feature columns for bedrooms and bathrooms
bedrooms = feature_column.numeric_column("____")
bathrooms = ____

# Define the list of feature columns
feature_list = [____, ____]

def input_fn():
	# Define the labels
	labels = np.array(____)
	# Define the features
	features = {'bedrooms':np.array(housing['____']), 
                'bathrooms':____}
	return features, labels

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

<Kurs>Einführung in TensorFlow mit Python</Kurs>

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Before you can build advanced models in TensorFlow 2, you will first need to understand the basics. In this chapter, you’ll learn how to define constants and variables, perform tensor addition and multiplication, and compute derivatives. Knowledge of linear algebra will be helpful, but not necessary.

Exercise 1: Constants and variables Exercise 2: Defining data as constants Exercise 3: Defining variables Exercise 4: Basic operations Exercise 5: Performing element-wise multiplication Exercise 6: Making predictions with matrix multiplication Exercise 7: Summing over tensor dimensions Exercise 8: Advanced operations Exercise 9: Reshaping tensors Exercise 10: Optimizing with gradients Exercise 11: Working with image data

In this chapter, you will learn how to build, solve, and make predictions with models in TensorFlow 2. You will focus on a simple class of models – the linear regression model – and will try to predict housing prices. By the end of the chapter, you will know how to load and manipulate data, construct loss functions, perform minimization, make predictions, and reduce resource use with batch training.

Exercise 1: Input data Exercise 2: Load data using pandas Exercise 3: Setting the data type Exercise 4: Loss functions Exercise 5: Loss functions in TensorFlow Exercise 6: Modifying the loss function Exercise 7: Linear regression Exercise 8: Set up a linear regression Exercise 9: Train a linear model Exercise 10: Multiple linear regression Exercise 11: Batch training Exercise 12: Preparing to batch train Exercise 13: Training a linear model in batches

The previous chapters taught you how to build models in TensorFlow 2. In this chapter, you will apply those same tools to build, train, and make predictions with neural networks. You will learn how to define dense layers, apply activation functions, select an optimizer, and apply regularization to reduce overfitting. You will take advantage of TensorFlow's flexibility by using both low-level linear algebra and high-level Keras API operations to define and train models.

Exercise 1: Dense layers Exercise 2: The linear algebra of dense layers Exercise 3: The low-level approach with multiple examples Exercise 4: Using the dense layer operation Exercise 5: Activation functions Exercise 6: Binary classification problems Exercise 7: Multiclass classification problems Exercise 8: Optimizers Exercise 9: The dangers of local minima Exercise 10: Avoiding local minima Exercise 11: Training a network in TensorFlow Exercise 12: Initialization in TensorFlow Exercise 13: Defining the model and loss function Exercise 14: Training neural networks with TensorFlow

In the final chapter, you'll use high-level APIs in TensorFlow 2 to train a sign language letter classifier. You will use both the sequential and functional Keras APIs to train, validate, make predictions with, and evaluate models. You will also learn how to use the Estimators API to streamline the model definition and training process, and to avoid errors.

Exercise 1: Neuronale Netze mit Keras definieren Exercise 2: Das sequenzielle Modell in Keras Exercise 3: Ein sequenzielles Modell kompilieren Exercise 4: Ein Modell mit mehreren Eingaben definieren Exercise 5: Training und Validierung mit Keras Exercise 6: Training mit Keras Exercise 7: Metriken und Validierung mit Keras Exercise 8: Overfitting erkennen Exercise 9: Modelle auswerten Exercise 10: Modelle mit der Estimators-API trainieren Exercise 11: Vorbereitung auf das Training mit Estimators

Aktuelle Übung

Exercise 12: Estimator definieren Exercise 13: Glückwunsch!