Werken met afbeeldingsdata

Je krijgt een zwart-witafbeelding van een letter, gecodeerd als een tensor letter. Je wilt bepalen of de letter een X of een K is. Je hebt geen getraind neuraal netwerk, maar wel een eenvoudig model, model, dat letter kan classificeren.

De 3x3-tensor letter en de 1x3-tensor model zijn beschikbaar in de Python-shell. Je kunt bepalen of letter een K is door letter met model te vermenigvuldigen, over het resultaat te sommeren en vervolgens te controleren of dit gelijk is aan 1. Net als bij complexere modellen, zoals neurale netwerken, is model een verzameling gewichten, gerangschikt in een tensor.

Merk op dat de functies reshape(), matmul() en reduce_sum() uit tensorflow zijn geïmporteerd en beschikbaar zijn.

Deze oefening maakt deel uit van de cursus

Introductie tot TensorFlow in Python

Cursus bekijken

Oefeninstructies

Het model model is een 1x3-tensor, maar moet 3x1 zijn. Herschik model.
Voer een matrixvermenigvuldiging uit van de 3x3-tensor letter met de 3x1-tensor model.
Sommeer over de resulterende tensor output en ken deze waarde toe aan prediction.
Print prediction met de methode .numpy() om te bepalen of letter K is.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Reshape model from a 1x3 to a 3x1 tensor
model = ____(model, (____, ____))

# Multiply letter by model
output = ____(letter, model)

# Sum over output and print prediction using the numpy method
prediction = ____
print(prediction.____)

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Introductie tot TensorFlow in Python

SkillTag.level.intermediateSkillTag.label

4.8+

Begin de cursus 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: Constanten en variabelen Exercise 2: Gegevens definiëren als constanten Exercise 3: Variabelen definiëren Exercise 4: Basisbewerkingen Exercise 5: Elementgewijze vermenigvuldiging uitvoeren Exercise 6: Voorspellingen maken met matrixvermenigvuldiging Exercise 7: Optellen over tensordimensies Exercise 8: Geavanceerde bewerkingen Exercise 9: Tensors reshapen Exercise 10: Optimaliseren met gradiënten Exercise 11: Werken met afbeeldingsdata

Huidige oefening

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: Dense layers Exercise 2: The linear algebra of dense layers Exercise 3: The low-level approach with multiple examples Exercise 4: Using the dense layer operation Exercise 5: Activation functions Exercise 6: Binary classification problems Exercise 7: Multiclass classification problems Exercise 8: Optimizers Exercise 9: The dangers of local minima Exercise 10: Avoiding local minima Exercise 11: Training a network in TensorFlow Exercise 12: Initialization in TensorFlow Exercise 13: Defining the model and loss function Exercise 14: Training neural networks with 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!