Mit Bilddaten arbeiten

Du erhältst ein Schwarz-Weiß-Bild eines Buchstabens, das als Tensor letter codiert wurde. Du möchtest herausfinden, ob der Buchstabe ein X oder ein K ist. Du hast kein trainiertes neuronales Netz, aber ein einfaches Modell model, mit dem du letter klassifizieren kannst.

Der 3x3-Tensor letter und der 1x3-Tensor model stehen dir in der Python-Konsole zur Verfügung. Du kannst bestimmen, ob letter ein K ist, indem du letter mit model multiplizierst, über das Ergebnis summierst und dann prüfst, ob das Ergebnis gleich 1 ist. Wie bei komplexeren Modellen, etwa neuronalen Netzen, ist model eine Sammlung von Gewichten, angeordnet in einem Tensor.

Beachte, dass die Funktionen reshape(), matmul() und reduce_sum() aus tensorflow importiert wurden und zur Verfügung stehen.

Diese Übung ist Teil des Kurses

Einführung in TensorFlow mit Python

Anleitung zur Übung

Das Modell model ist ein 1x3-Tensor, sollte aber 3x1 sein. Forme model mit reshape() um.
Führe eine Matrixmultiplikation des 3x3-Tensors letter mit dem 3x1-Tensor model durch.
Summiere über den resultierenden Tensor output und weise diesen Wert prediction zu.
Gib prediction mit der Methode .numpy() aus, um festzustellen, ob letter ein K ist.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Reshape model from a 1x3 to a 3x1 tensor
model = ____(model, (____, ____))

# Multiply letter by model
output = ____(letter, model)

# Sum over output and print prediction using the numpy method
prediction = ____
print(prediction.____)

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

Aktuelle Übung

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 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!