Entraîner un modèle linéaire

Dans cet exercice, nous reprenons là où le précédent s’est arrêté. L’ordonnée à l’origine et la pente, intercept et slope, ont été définies et initialisées. De plus, une fonction a été définie, loss_function(intercept, slope), qui calcule la perte à partir des données et des variables du modèle.

Vous allez maintenant définir une opération d’optimisation sous le nom opt. Vous allez ensuite entraîner un modèle linéaire univarié en minimisant la perte pour trouver les valeurs optimales de intercept et slope. Notez que l’opération opt cherchera à se rapprocher de l’optimum à chaque étape, mais nécessitera de nombreuses itérations pour l’atteindre. Vous devez donc exécuter l’opération de manière répétée.

Cet exercice fait partie du cours

Introduction à TensorFlow en Python

Afficher le cours

Instructions

Initialisez un optimiseur Adam nommé opt avec un taux d’apprentissage de 0,5.
Appliquez la méthode .minimize() à l’optimiseur.
Passez loss_function() avec les arguments appropriés sous forme de fonction lambda à .minimize().
Indiquez la liste des variables à mettre à jour via var_list.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Initialize an Adam optimizer
opt = keras.optimizers.____(0.5)

for j in range(100):
	# Apply minimize, pass the loss function, and supply the variables
	opt.____(lambda: ____(____, ____), var_list=[____, ____])

	# Print every 10th value of the loss
	if j % 10 == 0:
		print(loss_function(intercept, slope).numpy())

# Plot data and regression line
plot_results(intercept, slope)

Modifier et exécuter le code

Cet exercice fait partie du cours

Introduction à TensorFlow en Python

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

Avant de pouvoir construire des modèles avancés dans TensorFlow 2, vous devez d’abord en maîtriser les bases. Dans ce chapitre, vous apprendrez à définir des constantes et des variables, à effectuer des additions et multiplications de tenseurs, et à calculer des dérivées. Des notions d’algèbre linéaire seront utiles, mais ne sont pas indispensables.

Exercise 1: Constantes et variables Exercise 2: Définir des données comme constantes Exercise 3: Définir des variables Exercise 4: Opérations de base Exercise 5: Réaliser une multiplication élément par élément Exercise 6: Réaliser des prédictions avec une multiplication de matrices Exercise 7: Sommer sur les dimensions d’un tenseur Exercise 8: Opérations avancées Exercise 9: Remodeler des tenseurs Exercise 10: Optimiser avec les gradients Exercise 11: Travailler avec des données d’images

Dans ce chapitre, vous apprendrez à construire, résoudre et utiliser des modèles dans TensorFlow 2 pour faire des prédictions. Vous vous concentrerez sur une classe de modèles simple — la régression linéaire — et tenterez de prédire les prix de l’immobilier. À la fin du chapitre, vous saurez charger et manipuler des données, construire des fonctions de perte, effectuer une minimisation, faire des prédictions et réduire l’utilisation des ressources avec l’entraînement par lots.

Exercise 1: Données d’entrée Exercise 2: Charger des données avec pandas Exercise 3: Définir le type de données Exercise 4: Fonctions de perte Exercise 5: Fonctions de perte dans TensorFlow Exercise 6: Modifier la fonction de perte Exercise 7: Régression linéaire Exercise 8: Mettre en place une régression linéaire Exercise 9: Entraîner un modèle linéaire

Exercice en cours

Exercise 10: Régression linéaire multiple Exercise 11: Entraînement par lots Exercise 12: Préparer l’entraînement par lots Exercise 13: Entraîner un modèle linéaire par lots

Les chapitres précédents vous ont appris à construire des modèles dans TensorFlow 2. Dans ce chapitre, vous appliquerez ces mêmes outils pour construire, entraîner et utiliser des réseaux de neurones pour faire des prédictions. Vous apprendrez à définir des couches denses, à appliquer des fonctions d’activation, à choisir un optimiseur et à utiliser la régularisation pour réduire le surapprentissage. Vous profiterez de la flexibilité de TensorFlow en combinant l’algèbre linéaire de bas niveau et les opérations de l’API Keras de haut niveau pour définir et entraîner des modèles.

Exercise 1: Couches denses Exercise 2: L’algèbre linéaire des couches denses Exercise 3: L’approche bas niveau avec plusieurs exemples Exercise 4: Utiliser l’opération de couche dense Exercise 5: Fonctions d’activation Exercise 6: Problèmes de classification binaire Exercise 7: Problèmes de classification multiclasse Exercise 8: Optimiseurs Exercise 9: Les dangers des minima locaux Exercise 10: Éviter les minima locaux Exercise 11: Entraîner un réseau dans TensorFlow Exercise 12: Initialisation dans TensorFlow Exercise 13: Définir le modèle et la fonction de perte Exercise 14: Entraîner des réseaux de neurones avec TensorFlow

Dans le chapitre final, vous utiliserez des API de haut niveau de TensorFlow 2 pour entraîner un classificateur de lettres en langue des signes. Vous utiliserez les API Keras séquentielle et fonctionnelle pour entraîner, valider, faire des prédictions avec et évaluer des modèles. Vous apprendrez également à utiliser l’API Estimators pour simplifier la définition et l’entraînement des modèles et réduire les risques d’erreurs.

Exercise 1: Définir des réseaux de neurones avec Keras Exercise 2: Le modèle séquentiel avec Keras Exercise 3: Compiler un modèle séquentiel Exercise 4: Définir un modèle à entrées multiples Exercise 5: Entraînement et validation avec Keras Exercise 6: Entraîner avec Keras Exercise 7: Métriques et validation avec Keras Exercise 8: Détection du surapprentissage Exercise 9: Évaluer des modèles Exercise 10: Entraîner des modèles avec l’API Estimators Exercise 11: Préparer l’entraînement avec les Estimators Exercise 12: Définir des Estimators Exercise 13: Félicitations !