Verschillende activatiefuncties

De functies sigmoid(), tanh(), ReLU() en leaky_ReLU() zijn gedefinieerd en klaar voor gebruik. Elke functie krijgt een invoergetal X en geeft de bijbehorende Y-waarde terug.

Welke van de onderstaande uitspraken is onwaar?

Deze oefening maakt deel uit van de cursus

Introductie tot Deep Learning met Keras

Interactieve oefening met praktijkervaring

Zet theorie om in actie met een van onze interactieve oefeningen

Deze oefening maakt deel uit van de cursus

Introductie tot Deep Learning met Keras

SkillTag.level.intermediateSkillTag.label

4.8+

Begin gratis met de cursus

In dit eerste hoofdstuk maak je kennis met neurale netwerken, begrijp je welke soorten problemen ze kunnen oplossen en wanneer je ze gebruikt. Je bouwt ook meerdere netwerken en redt de aarde door een regressiemodel te trainen dat de baan van een naderende meteoor benadert!

Exercise 1: Wat is Keras?Exercise 2: Keras beschrijven Exercise 3: Zou jij deep learning gebruiken?Exercise 4: Je eerste neuraal netwerk Exercise 5: Hallo, nets!Exercise 6: Parameters tellen Exercise 7: Bouw zoals getoond!Exercise 8: Een meteorietinslag overleven Exercise 9: Een model specificeren Exercise 10: Training Exercise 11: De baan voorspellen!

Aan het einde van dit hoofdstuk weet je hoe je binaire, multiclass- en multilabel-problemen met neurale netwerken oplost. Dit doe je aan de hand van problemen zoals het detecteren van valse dollarbiljetten, bepalen wie welke pijl op een bord heeft gegooid, en het bouwen van een slim systeem om je boerderij te bewateren. Je kunt ook trainingsstatistieken van je model plotten en het trainen stoppen en je modellen opslaan wanneer ze niet meer verbeteren.

Exercise 1: Binaire classificatie Exercise 2: Dollarbiljetten verkennen Exercise 3: Een binaire classificatiemodel Exercise 4: Is dit dollarbiljet nep?Exercise 5: Multiklassenclassificatie Exercise 6: Een multi-class model Exercise 7: Bereid je gegevensset voor Exercise 8: Trainen op darters Exercise 9: Softmax-voorspellingen Exercise 10: Multi-labelclassificatie Exercise 11: Een irrigatiemachine Exercise 12: Trainen met meerdere labels Exercise 13: Keras-callbacks Exercise 14: De history-callback Exercise 15: Je model vroegtijdig stoppen Exercise 16: Een combinatie van callbacks

In de vorige hoofdstukken heb je al veel modellen getraind! Nu leer je hoe je learning curves interpreteert om je modellen te begrijpen terwijl ze trainen. Je visualiseert ook de effecten van activatiefuncties, batchgroottes en batch-normalization. Tot slot leer je hoe je automatische hyperparameteroptimalisatie uitvoert op je Keras-modellen met sklearn.

Exercise 1: Leercurves Exercise 2: Cijfers leren herkennen Exercise 3: Overfit het model?Exercise 4: Hebben we meer data nodig?Exercise 5: Activatiefuncties Exercise 6: Verschillende activatiefuncties

Huidige oefening

Exercise 7: Activatiefuncties vergelijken Exercise 8: Activatiefuncties vergelijken II Exercise 9: Batchgrootte en batch-normalisatie Exercise 10: Batch-groottes aanpassen Exercise 11: Batch-normalisatie toepassen op een bekend model Exercise 12: Effecten van batch-normalization Exercise 13: Hyperparameterafstemming Exercise 14: Een model voorbereiden op tuning Exercise 15: Parameters van het model afstemmen Exercise 16: Trainen met cross-validatie

Tijd voor meer geavanceerde architecturen! Je maakt een autoencoder om ruis uit afbeeldingen te reconstrueren, visualiseert activaties van convolutionele neurale netwerken, gebruikt diepe voorgetrainde modellen om afbeeldingen te classificeren en leert meer over recurrente neurale netwerken en werken met tekst terwijl je een netwerk bouwt dat het volgende woord in een zin voorspelt.

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