Fare previsioni con la moltiplicazione di matrici

Nei capitoli successivi imparerai ad addestrare modelli di regressione lineare. Questo processo produce un vettore di parametri che può essere moltiplicato per i dati di input per generare previsioni. In questo esercizio userai i dati di input, features, e un vettore target, bill, presi da un insieme di dati di carte di credito che utilizzeremo più avanti nel corso.

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

La matrice dei dati di input, features, contiene due colonne: livello di istruzione ed età. Il vettore target, bill, è l'importo della fattura del titolare della carta di credito.

Poiché non abbiamo addestrato il modello, inserirai un'ipotesi per i valori del vettore dei parametri, params. Userai poi matmul() per eseguire la moltiplicazione tra matrici di features per params per generare le previsioni, billpred, che confronterai con bill. Nota che abbiamo già importato matmul() e constant().

Questo esercizio fa parte del corso

Introduzione a TensorFlow in Python

Visualizza il corso

Istruzioni dell'esercizio

Definisci features, params e bill come costanti.
Calcola il vettore dei valori previsti, billpred, moltiplicando i dati di input, features, per i parametri, params. Usa la moltiplicazione tra matrici, non il prodotto elemento per elemento.
Definisci error come i target, bill, meno i valori previsti, billpred.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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())

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Introduzione a TensorFlow in Python

IntermediárioNível de habilidade

4.8+

Inizia il corso gratis

Before you can build advanced models in TensorFlow 2, you will first need to understand the basics. In this chapter, you’ll learn how to define constants and variables, perform tensor addition and multiplication, and compute derivatives. Knowledge of linear algebra will be helpful, but not necessary.

Exercise 1: Costanti e variabili Exercise 2: Definire i dati come costanti Exercise 3: Definire variabili Exercise 4: Operazioni di base Exercise 5: Eseguire moltiplicazioni elemento per elemento Exercise 6: Fare previsioni con la moltiplicazione di matrici

Esercizio in corso

Exercise 7: Sommare lungo le dimensioni di un tensore Exercise 8: Operazioni avanzate Exercise 9: Rimodellare i tensori Exercise 10: Ottimizzazione con i gradienti Exercise 11: Lavorare con dati di immagini

In this chapter, you will learn how to build, solve, and make predictions with models in TensorFlow 2. You will focus on a simple class of models – the linear regression model – and will try to predict housing prices. By the end of the chapter, you will know how to load and manipulate data, construct loss functions, perform minimization, make predictions, and reduce resource use with batch training.

Exercise 1: Input data Exercise 2: Load data using pandas Exercise 3: Setting the data type Exercise 4: Loss functions Exercise 5: Loss functions in TensorFlow Exercise 6: Modifying the loss function Exercise 7: Linear regression Exercise 8: Set up a linear regression Exercise 9: Train a linear model Exercise 10: Multiple linear regression Exercise 11: Batch training Exercise 12: Preparing to batch train Exercise 13: Training a linear model in batches

The previous chapters taught you how to build models in TensorFlow 2. In this chapter, you will apply those same tools to build, train, and make predictions with neural networks. You will learn how to define dense layers, apply activation functions, select an optimizer, and apply regularization to reduce overfitting. You will take advantage of TensorFlow's flexibility by using both low-level linear algebra and high-level Keras API operations to define and train models.

Exercise 1: Dense layers Exercise 2: The linear algebra of dense layers Exercise 3: The low-level approach with multiple examples Exercise 4: Using the dense layer operation Exercise 5: Activation functions Exercise 6: Binary classification problems Exercise 7: Multiclass classification problems Exercise 8: Optimizers Exercise 9: The dangers of local minima Exercise 10: Avoiding local minima Exercise 11: Training a network in TensorFlow Exercise 12: Initialization in TensorFlow Exercise 13: Defining the model and loss function Exercise 14: Training neural networks with TensorFlow

In the final chapter, you'll use high-level APIs in TensorFlow 2 to train a sign language letter classifier. You will use both the sequential and functional Keras APIs to train, validate, make predictions with, and evaluate models. You will also learn how to use the Estimators API to streamline the model definition and training process, and to avoid errors.

Exercise 1: Defining neural networks with Keras Exercise 2: The sequential model in Keras Exercise 3: Compiling a sequential model Exercise 4: Defining a multiple input model Exercise 5: Training and validation with Keras Exercise 6: Training with Keras Exercise 7: Metrics and validation with Keras Exercise 8: Overfitting detection Exercise 9: Evaluating models Exercise 10: Training models with the Estimators API Exercise 11: Preparing to train with Estimators Exercise 12: Defining Estimators Exercise 13: Congratulations!