Das sequenzielle Modell in Keras

In Kapitel 3 haben wir Komponenten der keras-API in tensorflow verwendet, um ein neuronales Netz zu definieren. Dabei haben wir jedoch noch nicht das volle Potenzial genutzt, um die Modelldefinition und das Training zu vereinfachen. In dieser Übung nutzt du die sequenzielle keras-Modell-API, um ein neuronales Netz zu definieren, das Bilder von Buchstaben der Gebärdensprache klassifizieren kann. Außerdem verwendest du die Methode .summary(), um die Architektur des Modells auszugeben, einschließlich der Form und der Anzahl der Parameter jeder Schicht.

Beachte, dass die Bilder von (28, 28) auf (784,) umgeformt wurden, damit sie als Eingaben für eine Dense-Schicht verwendet werden können. Außerdem wurde keras bereits aus tensorflow für dich importiert.

Diese Übung ist Teil des Kurses

Einführung in TensorFlow mit Python

Anleitung zur Übung

Definiere ein sequenzielles keras-Modell mit dem Namen model.
Setze die erste Schicht auf Dense() mit 16 Knoten und einer relu-Aktivierung.
Definiere die zweite Schicht als Dense() mit 8 Knoten und einer relu-Aktivierung.
Setze die Ausgabeschicht auf 4 Knoten und verwende eine softmax-Aktivierungsfunktion.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Define a Keras sequential model
____

# Define the first dense layer
model.add(keras.layers.____(____, activation='____', input_shape=(784,)))

# Define the second dense layer
____

# Define the output layer
model.add(keras.layers.Dense(____))

# Print the model architecture
print(model.summary())

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

Einführung in TensorFlow mit Python

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Bevor du fortgeschrittene Modelle in TensorFlow 2 bauen kannst, brauchst du zunächst die Grundlagen. In diesem Kapitel lernst du, wie du Konstanten und Variablen definierst, Tensoren addierst und multiplizierst und Ableitungen berechnest. Kenntnisse in linearer Algebra sind hilfreich, aber nicht zwingend erforderlich.

Exercise 1: Konstanten und Variablen Exercise 2: Daten als Konstanten definieren Exercise 3: Variablen definieren Exercise 4: Grundlegende Operationen Exercise 5: Elementweise Multiplikation durchführen Exercise 6: Vorhersagen mit Matrixmultiplikation Exercise 7: Über Tensor-Dimensionen summieren Exercise 8: Fortgeschrittene Operationen Exercise 9: Tensors umformen Exercise 10: Mit Gradienten optimieren Exercise 11: Mit Bilddaten arbeiten

In diesem Kapitel lernst du, wie du in TensorFlow 2 Modelle aufbaust, löst und Vorhersagen damit triffst. Der Fokus liegt auf einer einfachen Modellklasse – dem linearen Regressionsmodell – und du versuchst, Immobilienpreise vorherzusagen. Am Ende des Kapitels weißt du, wie du Daten lädst und aufbereitest, Verlustfunktionen konstruierst, Minimierung durchführst, Vorhersagen machst und mit Batch-Training Ressourcen sparst.

Exercise 1: Eingabedaten Exercise 2: Daten mit pandas laden Exercise 3: Den Datentyp festlegen Exercise 4: Verlustfunktionen Exercise 5: Loss-Funktionen in TensorFlow Exercise 6: Die Verlustfunktion anpassen Exercise 7: Lineare Regression Exercise 8: Lineare Regression einrichten Exercise 9: Ein lineares Modell trainieren Exercise 10: Multiple lineare Regression Exercise 11: Batch-Training Exercise 12: Vorbereitung auf Batch-Training Exercise 13: Ein lineares Modell in Batches trainieren

In den vorherigen Kapiteln hast du gelernt, wie man in TensorFlow 2 Modelle erstellt. In diesem Kapitel wendest du dieselben Werkzeuge an, um neuronale Netze zu bauen, zu trainieren und damit Vorhersagen zu treffen. Du lernst, dichte Schichten zu definieren, Aktivierungsfunktionen anzuwenden, einen Optimierer zu wählen und Regularisierung einzusetzen, um Overfitting zu reduzieren. Du nutzt die Flexibilität von TensorFlow, indem du sowohl Operationen der linearen Algebra auf Low-Level als auch die High-Level-Keras-API verwendest, um Modelle zu definieren und zu trainieren.

Exercise 1: Dichte Schichten Exercise 2: Die Lineare Algebra dichter Schichten Exercise 3: Der Low-Level-Ansatz mit mehreren Beispielen Exercise 4: Die Dense-Layer-Operation verwenden Exercise 5: Aktivierungsfunktionen Exercise 6: Binäre Klassifikationsprobleme Exercise 7: Multiclass-Klassifikationsprobleme Exercise 8: Optimierer Exercise 9: Die Tücken lokaler Minima Exercise 10: Lokale Minima vermeiden Exercise 11: Ein Netzwerk in TensorFlow trainieren Exercise 12: Initialisierung in TensorFlow Exercise 13: Modell und Verlustfunktion definieren Exercise 14: Neuronale Netze mit TensorFlow trainieren

Im letzten Kapitel verwendest du High-Level-APIs in TensorFlow 2, um einen Klassifikator für Buchstaben in der Gebärdensprache zu trainieren. Du nutzt sowohl die sequenziellen als auch die funktionalen Keras-APIs, um Modelle zu trainieren, zu validieren, Vorhersagen zu treffen und zu evaluieren. Außerdem lernst du, wie du die Estimators-API verwendest, um die Modelldefinition und den Trainingsprozess zu straffen und Fehler zu vermeiden.

Exercise 1: Neuronale Netze mit Keras definieren Exercise 2: Das sequenzielle Modell in Keras

Aktuelle Übung

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 Exercise 12: Estimator definieren Exercise 13: Glückwunsch!