or
Deze oefening maakt deel uit van 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.
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.
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.
Huidige oefening
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.