Inspeksi model (II)

Sekarang Anda perlu melihat bobot untuk model ini. Secara khusus, perhatikan bobot terakhir dari model. Bobot ini mengonversi selisih skor yang diprediksi menjadi probabilitas menang yang diprediksi. Jika Anda mengalikan selisih skor yang diprediksi dengan bobot terakhir model lalu menerapkan fungsi sigmoid, Anda akan mendapatkan probabilitas kemenangan pertandingan.

Latihan ini merupakan bagian dari kursus

Deep Learning Tingkat Lanjut dengan Keras

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Print the model weights
print(____)

# Print the training data means
print(____)

Edit dan Jalankan Kode

Latihan ini merupakan bagian dari kursus

Deep Learning Tingkat Lanjut dengan Keras

SkillTag.level.intermediateSkillTag.label

4.8+

Mulai Kursus Gratis

Di bab ini, Anda akan memahami dasar-dasar Keras functional API. Anda akan membangun jaringan fungsional sederhana menggunakan komponen fungsional, memasangkannya ke data, dan melakukan prediksi.

Exercise 1: Lapisan input dan dense di Keras Exercise 2: Lapisan input Exercise 3: Lapisan Dense Exercise 4: Lapisan keluaran Exercise 5: Membangun dan mengompilasi model Exercise 6: Bangun sebuah model Exercise 7: Kompilasi sebuah model Exercise 8: Visualisasikan sebuah model Exercise 9: Melatih dan mengevaluasi model Exercise 10: Latih model pada data turnamen bola basket Exercise 11: Evaluasi model pada himpunan uji

Di bab ini, Anda akan membangun jaringan dengan dua masukan yang menggunakan categorical embeddings untuk merepresentasikan data berkardinalitas tinggi, shared layers untuk menentukan blok bangunan yang dapat digunakan kembali, dan merge layers untuk menggabungkan banyak masukan menjadi satu keluaran. Pada akhir bab ini, Anda akan memiliki blok bangunan dasar untuk merancang neural network dengan aliran data yang kompleks.

Exercise 1: Embedding kategori Exercise 2: Definisikan pencarian tim Exercise 3: Definisikan model tim Exercise 4: Lapisan berbagi pakai Exercise 5: Mendefinisikan dua input Exercise 6: Lookup kedua masukan dalam model yang sama Exercise 7: Lapisan penggabungan Exercise 8: Layer keluaran menggunakan layer bersama Exercise 9: Model dengan dua input dan satu output Exercise 10: Memprediksi dari model Anda Exercise 11: Latih model pada data pelatihan musim reguler Exercise 12: Evaluasi model pada data uji turnamen

Di bab ini, Anda akan memperluas model 2 masukan menjadi 3 masukan, dan mempelajari cara menggunakan fungsi summary dan plot di Keras untuk memahami parameter dan topologi neural network Anda. Pada akhir bab, Anda akan memahami cara memperluas model 2 masukan menjadi 3 masukan dan seterusnya.

Exercise 1: Model tiga masukan Exercise 2: Buat layer input untuk kandang vs tandang Exercise 3: Buat model dan kompilasi Exercise 4: Latih model dan evaluasi Exercise 5: Merangkum dan memplot model Exercise 6: Ringkasan model Exercise 7: Memplot model Exercise 8: Menumpuk model Exercise 9: Tambahkan prediksi model ke data turnamen Exercise 10: Buat lapisan input dengan beberapa kolom Exercise 11: Latih model Exercise 12: Evaluasi model

Di bab ini, Anda akan membangun neural network dengan banyak keluaran, yang dapat digunakan untuk menyelesaikan masalah regresi dengan banyak target. Anda juga akan membangun model yang menyelesaikan masalah regresi dan klasifikasi secara bersamaan.

Exercise 1: Model dua keluaran Exercise 2: Model dua keluaran sederhana Exercise 3: Melatih model dengan dua keluaran Exercise 4: Inspeksi model (I)Exercise 5: Evaluasi model Exercise 6: Satu model untuk klasifikasi dan regresi Exercise 7: Klasifikasi dan regresi dalam satu model Exercise 8: Kompilasi dan latih model Exercise 9: Inspeksi model (II)

Latihan Saat Ini

Exercise 10: Evaluasi pada data baru dengan dua metrik Exercise 11: Ringkasan