Optellen over tensordimensies

Je hebt een matrix, wealth, gekregen. Deze bevat de waarde van obligatie- en aandelenvermogen voor vijf personen in duizenden dollars.

wealth = \(\begin{bmatrix} 11 & 50 \\ 7 & 2 \\ 4 & 60 \\ 3 & 0 \\ 25 & 10 \end{bmatrix}\)

De eerste kolom komt overeen met obligaties en de tweede met aandelen. Elke rij geeft het obligatie- en aandelenvermogen van één persoon. Gebruik wealth, reduce_sum() en .numpy() om te bepalen welke uitspraken over wealth kloppen.

Deze oefening maakt deel uit van de cursus

Introductie tot TensorFlow in Python

Bekijk cursus

Interactieve oefening met praktijkervaring

Zet theorie om in actie met een van onze interactieve oefeningen

Begin oefening

Deze oefening maakt deel uit van de cursus

Introductie tot TensorFlow in Python

SkillTag.level.intermediateSkillTag.label

4.8+

53 reviews

Begin gratis met de cursus

Voordat je geavanceerde modellen in TensorFlow 2 kunt bouwen, is het belangrijk om de basis te begrijpen. In dit hoofdstuk leer je hoe je constanten en variabelen definieert, tensoren optelt en vermenigvuldigt, en afgeleiden berekent. Kennis van lineaire algebra is handig, maar niet noodzakelijk.

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

Huidige oefening

Exercise 8: Geavanceerde bewerkingen Exercise 9: Tensors reshapen Exercise 10: Optimaliseren met gradiënten Exercise 11: Werken met afbeeldingsdata

In dit hoofdstuk leer je hoe je modellen in TensorFlow 2 bouwt, oplost en er voorspellingen mee doet. Je focust op een eenvoudige klasse van modellen — het lineaire regressiemodel — en probeert woningprijzen te voorspellen. Aan het einde van het hoofdstuk weet je hoe je data laadt en bewerkt, verliesfuncties opstelt, minimalisatie uitvoert, voorspellingen maakt en het middelenverbruik vermindert met batchtraining.

Exercise 1: Invoergegevens Exercise 2: Gegevens laden met pandas Exercise 3: Het gegevenstype instellen Exercise 4: Verliesfuncties Exercise 5: Verliesfuncties in TensorFlow Exercise 6: De verliesfunctie aanpassen Exercise 7: Lineaire regressie Exercise 8: Een lineaire regressie opzetten Exercise 9: Train een lineair model Exercise 10: Meervoudige lineaire regressie Exercise 11: Batchtraining Exercise 12: Voorbereiden op batchtraining Exercise 13: Een lineair model trainen in batches

In de vorige hoofdstukken heb je geleerd hoe je modellen bouwt in TensorFlow 2. In dit hoofdstuk pas je diezelfde tools toe om neurale netwerken te bouwen, te trainen en er voorspellingen mee te doen. Je leert hoe je dense lagen definieert, activatiefuncties toepast, een optimizer kiest en regularisatie inzet om overfitting te verminderen. Je benut de flexibiliteit van TensorFlow door zowel low-level lineaire algebra als high-level Keras-API-bewerkingen te gebruiken om modellen te definiëren en te trainen.

Exercise 1: Dichte lagen Exercise 2: De lineaire algebra van dense lagen Exercise 3: De low-level aanpak met meerdere voorbeelden Exercise 4: De dense-laagoperatie gebruiken Exercise 5: Activatiefuncties Exercise 6: Binaire classificatieproblemen Exercise 7: Multiclass-classificatieproblemen Exercise 8: Optimizers Exercise 9: De gevaren van lokale minima Exercise 10: Lokale minima vermijden Exercise 11: Een netwerk trainen in TensorFlow Exercise 12: Initialisatie in TensorFlow Exercise 13: Het model en de verliesfunctie definiëren Exercise 14: Neurale netwerken trainen met TensorFlow

In het laatste hoofdstuk gebruik je high-level API’s in TensorFlow 2 om een classifier voor letters in gebarentaal te trainen. Je gebruikt zowel de sequentiële als de functionele Keras-API om modellen te trainen, te valideren, er voorspellingen mee te doen en ze te evalueren. Je leert ook hoe je de Estimators-API gebruikt om het definiëren en trainen van modellen te stroomlijnen en fouten te voorkomen.

Exercise 1: Neurale netwerken definiëren met Keras Exercise 2: Het sequentiële model in Keras Exercise 3: Een sequentieel model compileren Exercise 4: Een model met meerdere invoeren definiëren Exercise 5: Trainen en valideren met Keras Exercise 6: Trainen met Keras Exercise 7: Metrieken en validatie met Keras Exercise 8: Overfitting detecteren Exercise 9: Modellen evalueren Exercise 10: Modellen trainen met de Estimators-API Exercise 11: Voorbereiden op trainen met Estimators Exercise 12: Estimators definiëren Exercise 13: Gefeliciteerd!