Invoerlagen

De eerste stap bij het maken van een neuraal netwerkmodel is het definiëren van de Input-laag. Deze laag neemt ruwe data aan, meestal in de vorm van numpy-arrays. De vorm (shape) van de Input-laag bepaalt hoeveel variabelen je neuraal netwerk gebruikt. Als de invoergegevens bijvoorbeeld 10 kolommen hebben, definieer je een Input-laag met de vorm (10,).

In dit geval gebruik je maar één invoer in je netwerk.

Deze oefening maakt deel uit van de cursus

Advanced Deep Learning met Keras

Oefeninstructies

Importeer de Input-laagfunctie uit keras.layers.
Maak een invoerlaag met vorm 1.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# Import Input from tensorflow.keras.layers
____

# Create an input layer of shape 1
input_tensor = ____(shape=(____,))

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Advanced Deep Learning met Keras

SkillTag.level.intermediateSkillTag.label

4.8+

Begin gratis met de cursus

In dit hoofdstuk maak je kennis met de basis van de functionele API van Keras. Je bouwt een eenvoudig functioneel netwerk met bouwblokken, traint het op data en doet voorspellingen.

Exercise 1: Keras input- en dense-lagen Exercise 2: Invoerlagen

Huidige oefening

Exercise 3: Dense-lagen Exercise 4: Outputlagen Exercise 5: Een model bouwen en compileren Exercise 6: Bouw een model Exercise 7: Een model compileren Exercise 8: Visualiseer een model Exercise 9: Een model trainen en evalueren Exercise 10: Train het model op de toernooi-basketbaldata Exercise 11: Evalueer het model op een testset

In dit hoofdstuk bouw je netwerken met twee inputs die gebruikmaken van categorische embeddings voor data met veel unieke waarden, gedeelde lagen om herbruikbare bouwblokken te definiëren, en merge-lagen om meerdere inputs samen te voegen tot één output. Aan het einde van dit hoofdstuk heb je de bouwstenen om neurale netwerken te ontwerpen met complexe datastromen.

Exercise 1: Categorie-embeddings Exercise 2: Team-lookup definiëren Exercise 3: Teammodel definiëren Exercise 4: Gedeelde lagen Exercise 5: Twee inputs definiëren Exercise 6: Zoek beide inputs op in hetzelfde model Exercise 7: Merge-lagen Exercise 8: Uitvoellaag met gedeelde laag Exercise 9: Model met twee inputs en één output Exercise 10: Voorspellen met je model Exercise 11: Train het model op de trainingsdata van het reguliere seizoen Exercise 12: Evalueer het model op de toernooi-testdata

In dit hoofdstuk breid je je model met 2 inputs uit naar 3 inputs, en leer je hoe je de functies summary en plot van Keras gebruikt om de parameters en topologie van je neurale netwerken te begrijpen. Aan het einde van het hoofdstuk weet je hoe je een 2-inputmodel uitbreidt naar 3 inputs en verder.

Exercise 1: Drie-inputmodellen Exercise 2: Maak een inputlaag voor thuis vs. uit Exercise 3: Maak een model en compileer het Exercise 4: Model trainen en evalueren Exercise 5: Modellen samenvatten en plotten Exercise 6: Modeloverzichten Exercise 7: Modellen plotten Exercise 8: Modellen stapelen Exercise 9: Voeg de modelvoorspellingen toe aan de toernooigegevens Exercise 10: Maak een invoerlaag met meerdere kolommen Exercise 11: Train het model Exercise 12: Evalueer het model

In dit hoofdstuk bouw je neurale netwerken met meerdere outputs, die je kunt gebruiken om regressieproblemen met meerdere doelen op te lossen. Je bouwt ook een model dat tegelijk een regressie- en een classificatieprobleem oplost.

Exercise 1: Modellen met twee outputs Exercise 2: Eenvoudig model met twee Resultaten Exercise 3: Train een model met twee outputs Exercise 4: Inspecteer het model (I)Exercise 5: Evalueer het model Exercise 6: Eén model voor classificatie en regressie Exercise 7: Classificatie en regressie in één model Exercise 8: Compileer en train het model Exercise 9: Inspecteer het model (II)Exercise 10: Evalueren op nieuwe data met twee metriekwaarden Exercise 11: Afsluiting