Modèles graphiques

En plus de résumer votre modèle, vous pouvez également le représenter sous forme de graphique afin d'en avoir une vision plus intuitive. Votre model est disponible dans l'espace de travail.

Cet exercice fait partie du cours

Deep learning avancé avec Keras

Afficher le cours

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Imports
import matplotlib.pyplot as plt
from tensorflow.keras.utils import plot_model

# Plot the model
____(____, to_file=____)

# Display the image
data = ____
____
plt.show()

Modifier et exécuter le code

Cet exercice fait partie du cours

Deep learning avancé avec Keras

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

Dans ce chapitre, vous vous familiariserez avec les bases de l'API fonctionnelle Keras. Vous allez construire un réseau fonctionnel simple à l'aide de blocs fonctionnels, l'adapter aux données et faire des prédictions.

Exercise 1: Entrées Keras et couches denses Exercise 2: Couches d'entrée Exercise 3: Couches denses Exercise 4: Couches de sortie Exercise 5: Construire et compiler un modèle Exercise 6: Construire un modèle Exercise 7: Élaborer un modèle Exercise 8: Visualiser un modèle Exercise 9: Ajuster et évaluer un modèle Exercise 10: Ajustez le modèle aux données du tournoi de basket-ball.Exercise 11: Évaluer le modèle sur un ensemble de test

Dans ce chapitre, vous allez construire des réseaux à deux entrées qui utilisent des encodages catégoriels pour représenter des données à cardinalité élevée, des couches partagées pour spécifier des blocs de construction réutilisables et des couches de fusion pour joindre plusieurs entrées à une seule sortie. À la fin de ce chapitre, vous disposerez des bases nécessaires pour concevoir des réseaux neuronaux avec des flux de données complexes.

Exercise 1: Intégrations de catégories Exercise 2: Définir la recherche d'équipe Exercise 3: Définir le modèle d'équipe Exercise 4: Couches partagées Exercise 5: Définition de deux entrées Exercise 6: Recherchez les deux entrées dans le même modèle.Exercise 7: Fusionner les couches Exercise 8: Couche de sortie utilisant une couche partagée Exercise 9: Modèle utilisant deux entrées et une sortie Exercise 10: Prédisez à partir de votre modèle Exercise 11: Ajustez le modèle aux données d'entraînement de la saison régulière.Exercise 12: Évaluer le modèle sur les données de test du tournoi.

Dans ce chapitre, vous allez étendre votre modèle à 2 entrées à 3 entrées, et apprendre à utiliser les fonctions summary et plot de Keras pour comprendre les paramètres et la topologie de vos réseaux neuronaux. À la fin de ce chapitre, vous saurez comment étendre un modèle à deux entrées à trois entrées et plus.

Exercise 1: Modèles à trois entrées Exercise 2: Créez une couche d'entrée pour domicile et extérieur.Exercise 3: Créez un modèle et compilez-le.Exercise 4: Ajustez le modèle et évaluez-le.Exercise 5: Résumé et représentation graphique des modèles Exercise 6: Résumés des modèles Exercise 7: Modèles graphiques

Exercice en cours

Exercise 8: Modèles empilables Exercise 9: Ajoutez les prédictions du modèle aux données du tournoi.Exercise 10: Créer une couche d'entrée avec plusieurs colonnes Exercise 11: Ajuster le modèle Exercise 12: Évaluer le modèle

Dans ce chapitre, vous allez créer des réseaux neuronaux à sorties multiples, qui peuvent être utilisés pour résoudre des problèmes de régression avec plusieurs cibles. Vous allez également construire un modèle qui résout simultanément un problème de régression et un problème de classification.

Exercise 1: Modèles à deux sorties Exercise 2: Modèle simple à deux sorties Exercise 3: Ajustez un modèle avec deux sorties.Exercise 4: Veuillez inspecter le modèle (I)Exercise 5: Évaluer le modèle Exercise 6: Modèle unique pour la classification et la régression Exercise 7: Classification et régression dans un seul modèle Exercise 8: Compiler et ajuster le modèle Exercise 9: Veuillez inspecter le modèle (II)Exercise 10: Évaluer les nouvelles données à l'aide de deux indicateurs Exercise 11: Conclusion