데이터 유형 설정하기

이 연습 문제에서는 데이터를 로드하고 유형을 설정해 보겠습니다. housing이 이미 제공되어 있고 pandas는 pd로 임포트되어 있어요. 이제 numpy와 tensorflow를 임포트하고, housing의 열을 사용해 지정된 데이터 유형으로 tensorflow에서 사용 가능한 텐서를 정의하세요. 예를 들어, housing['price']처럼 housing에서 price 열을 선택할 수 있다는 점을 기억하세요.

이 연습은 강의의 일부입니다

Python으로 시작하는 TensorFlow

연습 안내

numpy와 tensorflow를 표준 별칭으로 임포트하세요.
numpy 배열을 사용해 텐서 price의 데이터 유형을 32비트 부동소수점으로 설정하세요.
tensorflow의 cast() 함수를 사용해 텐서 waterfront의 데이터 유형을 Boolean으로 설정하세요.
price와 그다음 waterfront를 출력하세요. 어떤 중요한 차이가 보이나요?

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# Import numpy and tensorflow with their standard aliases
____
____

# Use a numpy array to define price as a 32-bit float
price = np.____(housing['price'], np.____)

# Define waterfront as a Boolean using cast
waterfront = tf.____(housing['waterfront'], tf.____)

# Print price and waterfront
print(____)
print(____)

코드 편집 및 실행

이 연습은 강의의 일부입니다

Python으로 시작하는 TensorFlow

SkillTag.level.intermediateSkillTag.label

4.8+

무료로 강의 시작하기

TensorFlow 2에서 고급 모델을 만들려면 먼저 기초를 이해해야 합니다. 이 장에서는 상수와 변수를 정의하고, 텐서 덧셈과 곱셈을 수행하며, 미분을 계산하는 방법을 배웁니다. 선형대수 지식이 있으면 도움이 되지만, 필수는 아닙니다.

Exercise 1: 상수와 변수 Exercise 2: 데이터를 상수로 정의하기 Exercise 3: 변수 정의하기 Exercise 4: 기본 연산 Exercise 5: 원소별 곱 수행하기 Exercise 6: 행렬 곱셈으로 예측 만들기 Exercise 7: 텐서 차원별 합 구하기 Exercise 8: 고급 연산 Exercise 9: 텐서 모양 변경(Reshaping)Exercise 10: 기울기를 활용한 최적화 Exercise 11: 이미지 데이터 다루기

이 장에서는 TensorFlow 2로 모델을 구성하고, 해를 구하고, 예측하는 방법을 배웁니다. 선형 회귀라는 단순한 모델에 집중해 주택 가격을 예측해 볼 거예요. 이 장이 끝나면 데이터를 불러와 가공하고, 손실 함수를 만들고, 최소화하며, 예측을 수행하고, 배치 학습으로 자원 사용을 줄이는 방법을 알게 됩니다.

Exercise 1: 입력 데이터 Exercise 2: pandas로 데이터 불러오기 Exercise 3: 데이터 유형 설정하기

현재 연습

Exercise 4: 손실 함수 Exercise 5: TensorFlow에서의 손실 함수 Exercise 6: 손실 함수 수정하기 Exercise 7: 선형 회귀 Exercise 8: 선형 회귀 설정하기 Exercise 9: 선형 모델 학습하기 Exercise 10: 다중 선형 회귀 Exercise 11: 배치 학습 Exercise 12: 배치 학습 준비하기 Exercise 13: 배치로 선형 모델 학습하기

앞선 장들에서 TensorFlow 2로 모델을 만드는 방법을 배웠습니다. 이번 장에서는 같은 도구를 활용해 Neural Networks를 구축하고 학습시키며 예측까지 수행합니다. 밀집 레이어를 정의하고, 활성화 함수를 적용하고, 최적화기를 선택하며, 과적합을 줄이기 위한 정규화를 적용하는 방법을 배웁니다. 또한 저수준 선형대수 연산과 고수준 Keras API를 함께 사용해 모델을 정의하고 학습함으로써 TensorFlow의 유연성을 최대한 활용합니다.

Exercise 1: Dense 레이어 Exercise 2: 조밀층의 선형대수 Exercise 3: 여러 예시로 살펴보는 로우 레벨 접근 Exercise 4: Dense 레이어 연산 사용하기 Exercise 5: 활성화 함수 Exercise 6: 이진 분류 문제 Exercise 7: 다중 클래스 분류 문제 Exercise 8: 옵티마이저 Exercise 9: 로컬 최소값의 위험성 Exercise 10: 국소 최소값 피하기 Exercise 11: TensorFlow에서 네트워크 학습시키기 Exercise 12: TensorFlow에서의 초기화 Exercise 13: 모델과 손실 함수 정의하기 Exercise 14: TensorFlow로 신경망 학습하기

마지막 장에서는 TensorFlow 2의 고수준 API를 사용해 수어 알파벳 분류기를 학습시킵니다. 순차형 Keras API와 함수형 Keras API를 모두 사용해 모델을 학습하고, 검증하고, 예측하며, 평가합니다. 또한 Estimators API를 사용해 모델 정의와 학습 과정을 간소화하고 오류를 줄이는 방법을 익힙니다.

Exercise 1: Keras로 신경망 정의하기 Exercise 2: Keras의 순차 모델 Exercise 3: Sequential 모델 컴파일하기 Exercise 4: 다중 입력 모델 정의하기 Exercise 5: Keras로 학습과 검증하기 Exercise 6: Keras로 학습하기 Exercise 7: Keras로 지표와 검증 설정하기 Exercise 8: 과적합 감지 Exercise 9: 모델 평가하기 Exercise 10: Estimators API로 모델 학습하기 Exercise 11: Estimators로 학습 준비하기 Exercise 12: Estimator 정의하기 Exercise 13: 축하합니다!