Elementgewijze vermenigvuldiging uitvoeren

Elementgewijze vermenigvuldiging in TensorFlow wordt uitgevoerd met twee tensors met identieke vormen. Dit komt doordat de bewerking elementen op overeenkomstige posities in de twee tensors met elkaar vermenigvuldigt. Een voorbeeld van een elementgewijze vermenigvuldiging, aangeduid met het \(\odot\)-symbool, staat hieronder:

\(\begin{bmatrix} 1 & 2 \\ 2 & 1 \end{bmatrix} \odot \begin{bmatrix} 3 & 1 \\ 2 & 5 \end{bmatrix} = \begin{bmatrix} 3 & 2 \\ 4 & 5 \end{bmatrix}\)

In deze oefening voer je een elementgewijze vermenigvuldiging uit. Let daarbij goed op de vorm van de tensors die je met elkaar vermenigvuldigt. Merk op dat multiply(), constant() en ones_like() al voor je zijn geïmporteerd.

Deze oefening maakt deel uit van de cursus

Introductie tot TensorFlow in Python

Cursus bekijken

Oefeninstructies

Definieer de tensors A1 en A23 als constanten.
Stel B1 in als een tensor van enen met dezelfde vorm als A1.
Stel B23 in als een tensor van enen met dezelfde vorm als A23.
Stel C1 en C23 gelijk aan de elementgewijze producten van respectievelijk A1 en B1, en A23 en B23.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Define tensors A1 and A23 as constants
A1 = ____([1, 2, 3, 4])
A23 = ____([[1, 2, 3], [1, 6, 4]])

# Define B1 and B23 to have the correct shape
B1 = ones_like(____)
B23 = ____

# Perform element-wise multiplication
C1 = ____
C23 = ____

# Print the tensors C1 and C23
print('\n C1: {}'.format(C1.numpy()))
print('\n C23: {}'.format(C23.numpy()))

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

Huidige oefening

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

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!