Het is een stroom van tensors

Als je al een model hebt gebouwd, kun je model.layers en tensorflow.keras.backend gebruiken om functies te bouwen die, gegeven een geldige input-tensor, de bijbehorende output-tensor teruggeven.

Dit is handig als je de output van een netwerk op een tussenliggende laag wilt ophalen.

Als je bijvoorbeeld de input en output van de eerste laag van een netwerk pakt, kun je een inp_to_out-functie maken die voor een gegeven input-tensor het resultaat teruggeeft van alleen de voorwaartse propagatie door de eerste laag.

Dat ga je nu doen!

X_test uit de Banknote Authentication-gegevensset en het bijbehorende model zijn al ingeladen. Typ model.summary() in de console om het te bekijken.

Deze oefening maakt deel uit van de cursus

Introductie tot Deep Learning met Keras

Cursus bekijken

Oefeninstructies

Importeer tensorflow.keras.backend als K.
Gebruik de lijst model.layers om een verwijzing te krijgen naar de input en output van de eerste laag.
Gebruik K.function() om een functie te definiëren die inp naar out mapt.
Print de resultaten van het door de 1e laag halen van X_test.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Import tensorflow.keras backend
import ____

# Input tensor from the 1st layer of the model
inp = ____.____[____].input

# Output tensor from the 1st layer of the model
out = ____.____

# Define a function from inputs to outputs
inp_to_out = K.function([____], [____])

# Print the results of passing X_test through the 1st layer
print(____([____]))

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Introductie tot Deep Learning met Keras

SkillTag.level.intermediateSkillTag.label

4.8+

Begin de cursus gratis

In this first chapter, you will get introduced to neural networks, understand what kind of problems they can solve, and when to use them. You will also build several networks and save the earth by training a regression model that approximates the orbit of a meteor that is approaching us!

Exercise 1: What is Keras?Exercise 2: Describing Keras Exercise 3: Would you use deep learning?Exercise 4: Your first neural network Exercise 5: Hello nets!Exercise 6: Counting parameters Exercise 7: Build as shown!Exercise 8: Surviving a meteor strike Exercise 9: Specifying a model Exercise 10: Training Exercise 11: Predicting the orbit!

By the end of this chapter, you will know how to solve binary, multi-class, and multi-label problems with neural networks. All of this by solving problems like detecting fake dollar bills, deciding who threw which dart at a board, and building an intelligent system to water your farm. You will also be able to plot model training metrics and to stop training and save your models when they no longer improve.

Exercise 1: Binary classification Exercise 2: Exploring dollar bills Exercise 3: A binary classification model Exercise 4: Is this dollar bill fake ?Exercise 5: Multi-class classification Exercise 6: A multi-class model Exercise 7: Prepare your dataset Exercise 8: Training on dart throwers Exercise 9: Softmax predictions Exercise 10: Multi-label classification Exercise 11: An irrigation machine Exercise 12: Training with multiple labels Exercise 13: Keras callbacks Exercise 14: The history callback Exercise 15: Early stopping your model Exercise 16: A combination of callbacks

In the previous chapters, you've trained a lot of models! You will now learn how to interpret learning curves to understand your models as they train. You will also visualize the effects of activation functions, batch-sizes, and batch-normalization. Finally, you will learn how to perform automatic hyperparameter optimization to your Keras models using sklearn.

Exercise 1: Learning curves Exercise 2: Learning the digits Exercise 3: Is the model overfitting?Exercise 4: Do we need more data?Exercise 5: Activation functions Exercise 6: Different activation functions Exercise 7: Comparing activation functions Exercise 8: Comparing activation functions II Exercise 9: Batch size and batch normalization Exercise 10: Changing batch sizes Exercise 11: Batch normalizing a familiar model Exercise 12: Batch normalization effects Exercise 13: Hyperparameter tuning Exercise 14: Preparing a model for tuning Exercise 15: Tuning the model parameters Exercise 16: Training with cross-validation

It's time to get introduced to more advanced architectures! You will create an autoencoder to reconstruct noisy images, visualize convolutional neural network activations, use deep pre-trained models to classify images and learn more about recurrent neural networks and working with text as you build a network that predicts the next word in a sentence.

Exercise 1: Tensors, lagen en auto-encoders Exercise 2: Het is een stroom van tensors

Huidige oefening

Exercise 3: Neurale scheiding Exercise 4: Een autoencoder bouwen Exercise 5: Ontruisen als een autoencoder Exercise 6: Introductie tot CNN's Exercise 7: Een CNN-model bouwen Exercise 8: Kijken naar convoluties Exercise 9: Je invoerafbeelding voorbereiden Exercise 10: Een model uit de echte wereld gebruiken Exercise 11: Introductie tot LSTM's Exercise 12: Tekstvoorspelling met LSTM's Exercise 13: Bouw je LSTM-model Exercise 14: Decodeer je voorspellingen Exercise 15: Test je model!Exercise 16: Je bent klaar!