Problemi di classificazione multiclasse

In questo esercizio andiamo oltre la classificazione binaria per affrontare i problemi multiclasse. Un problema multiclasse ha variabili target che possono assumere tre o più valori. Nel dataset delle carte di credito, la variabile education può assumere 6 valori diversi, ciascuno corrispondente a un diverso livello di istruzione. Useremo quella come target in questo esercizio ed estenderemo anche l’insieme di caratteristiche da 3 a 10 colonne.

Come nel problema precedente, definirai un livello di input, dei livelli densi e un livello di output. Stamperai anche le predizioni del modello non addestrato, che sono probabilità assegnate alle classi. Il tensore delle caratteristiche è stato caricato ed è disponibile come borrower_features. Inoltre, sono disponibili le operazioni constant(), float32 e keras.layers.Dense().

Questo esercizio fa parte del corso

Introduzione a TensorFlow in Python

Visualizza il corso

Istruzioni dell'esercizio

Definisci il livello di input come un tensore costante a 32 bit usando borrower_features.
Imposta il primo livello denso con 10 nodi di output e una funzione di attivazione sigmoid.
Imposta il secondo livello denso con 8 nodi di output e una funzione di attivazione unità lineare rettificata.
Imposta il livello di output con 6 nodi di output e la funzione di attivazione appropriata.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Construct input layer from borrower features
inputs = ____

# Define first dense layer
dense1 = keras.layers.Dense(____, activation='____')(inputs)

# Define second dense layer
dense2 = ____

# Define output layer
outputs = ____

# Print first five predictions
print(outputs.numpy()[:5])

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: Constants and variables Exercise 2: Defining data as constants Exercise 3: Defining variables Exercise 4: Basic operations Exercise 5: Performing element-wise multiplication Exercise 6: Making predictions with matrix multiplication Exercise 7: Summing over tensor dimensions Exercise 8: Advanced operations Exercise 9: Reshaping tensors Exercise 10: Optimizing with gradients Exercise 11: Working with image data

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: Livelli densi Exercise 2: L'algebra lineare dei livelli densi Exercise 3: L'approccio low-level con esempi multipli Exercise 4: Uso dell'operazione di livello denso Exercise 5: Funzioni di attivazione Exercise 6: Problemi di classificazione binaria Exercise 7: Problemi di classificazione multiclasse

Esercizio in corso

Exercise 8: Ottimizzatori Exercise 9: I pericoli dei minimi locali Exercise 10: Evitare i minimi locali Exercise 11: Addestrare una rete in TensorFlow Exercise 12: Inizializzazione in TensorFlow Exercise 13: Definire il modello e la funzione di perdita Exercise 14: Addestrare reti neurali con 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!