Vorhersagen mit Matrixmultiplikation

In späteren Kapiteln lernst du, lineare Regressionsmodelle zu trainieren. Dabei erhältst du einen Parametervektor, der mit den Eingabedaten multipliziert wird, um Vorhersagen zu erzeugen. In dieser Übung verwendest du die Eingabedaten features und einen Zielvektor bill, die aus einem Kreditkarten-Datensatz stammen, den wir später im Kurs nutzen.

\(features = \begin{bmatrix} 2 & 24 \\ 2 & 26 \\ 2 & 57 \\ 1 & 37 \end{bmatrix}\), \(bill = \begin{bmatrix} 3913 \\ 2682 \\ 8617 \\ 64400 \end{bmatrix}\), \(params = \begin{bmatrix} 1000 \\ 150 \end{bmatrix}\)

Die Matrix der Eingabedaten features enthält zwei Spalten: Bildungsniveau und Alter. Der Zielvektor bill ist die Höhe der Rechnung des Kreditkartennehmers.

Da wir das Modell noch nicht trainiert haben, gibst du einen Schätzwert für die Werte des Parametervektors params ein. Anschließend verwendest du matmul(), um die Matrixmultiplikation von features mit params durchzuführen und so Vorhersagen billpred zu erzeugen, die du mit bill vergleichst. Beachte, dass matmul() und constant() bereits importiert wurden.

Diese Übung ist Teil des Kurses

Einführung in TensorFlow mit Python

Anleitung zur Übung

Definiere features, params und bill als Konstanten.
Berechne den Vorhersagevektor billpred, indem du die Eingabedaten features mit den Parametern params multiplizierst. Verwende Matrixmultiplikation statt eines elementweisen Produkts.
Definiere error als die Ziele bill minus die vorhergesagten Werte billpred.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Define features, params, and bill as constants
features = ____([[2, 24], [2, 26], [2, 57], [1, 37]])
params = ____([[1000], [150]])
bill = ____([[3913], [2682], [8617], [64400]])

# Compute billpred using features and params
billpred = ____

# Compute and print the error
error = ____ - ____
print(error.numpy())

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

Aktuelle Übung

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 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!