Tensory, warstwy i autokodery

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

To ćwiczenie jest częścią kursu

Wprowadzenie do uczenia głębokiego z Keras

SkillTag.level.intermediateSkillTag.label

4.8+

132 reviews

Rozpocznij kurs za darmo

W pierwszym rozdziale poznasz sieci neuronowe, zrozumiesz, jakie problemy potrafią rozwiązywać i kiedy warto po nie sięgnąć. Zbudujesz też kilka sieci i ocalisz Ziemię, trenując model regresji, który przybliża orbitę zbliżającego się meteoru!

Exercise 1: Czym jest Keras?Exercise 2: Opisywanie Kerasa Exercise 3: Czy użyjesz uczenia głębokiego?Exercise 4: Twoja pierwsza sieć neuronowa Exercise 5: Sieci neuronowe – pierwsze kroki!Exercise 6: Liczenie parametrów Exercise 7: Zbuduj zgodnie ze schematem!Exercise 8: Jak przeżyć uderzenie meteorytu Exercise 9: Definiowanie modelu Exercise 10: Trenowanie modelu Exercise 11: Przewidywanie orbity!

Po ukończeniu tego rozdziału będziesz wiedzieć, jak rozwiązywać problemy binarne, wieloklasowe i wieloetykietowe za pomocą sieci neuronowych. Nauczysz się tego, wykrywając fałszywe banknoty, ustalając, kto rzucił którą strzałką w tarczę, i budując inteligentny system nawadniania pola. Dowiesz się też, jak wizualizować metryki trenowania modelu oraz jak zatrzymywać trening i zapisywać modele, gdy przestają się poprawiać.

Exercise 1: Klasyfikacja binarna Exercise 2: Eksploracja banknotów dolarowych Exercise 3: Model binarnej klasyfikacji Exercise 4: Czy ten banknot jest fałszywy?Exercise 5: Klasyfikacja wieloklasowa Exercise 6: Model wieloklasowy Exercise 7: Przygotuj zbiór danych Exercise 8: Trenowanie na rzucających lotkami Exercise 9: Predykcje softmax Exercise 10: Klasyfikacja wieloetykietowa Exercise 11: Maszyna nawadniająca Exercise 12: Trenowanie z wieloma etykietami Exercise 13: Callbacki Keras Exercise 14: Callback historii Exercise 15: Wczesne zatrzymywanie modelu Exercise 16: Połączenie wywołań zwrotnych

W poprzednich rozdziałach wytrenowałeś sporo modeli! Teraz nauczysz się interpretować krzywe uczenia, aby lepiej rozumieć, co dzieje się podczas trenowania. Zwizualizujesz też wpływ funkcji aktywacji, rozmiarów wsadu i normalizacji wsadowej. Na koniec poznasz sposób automatycznej optymalizacji hiperparametrów modeli Keras z użyciem sklearn.

Exercise 1: Krzywe uczenia Exercise 2: Rozpoznawanie cyfr Exercise 3: Czy model jest przeuczony?Exercise 4: Czy potrzebujemy więcej danych?Exercise 5: Funkcje aktywacji Exercise 6: Różne funkcje aktywacji Exercise 7: Porównywanie funkcji aktywacji Exercise 8: Porównanie funkcji aktywacji II Exercise 9: Rozmiar wsadu i normalizacja wsadu Exercise 10: Zmiana rozmiarów wsadu Exercise 11: Normalizacja wsadowa w znajomym modelu Exercise 12: Efekty normalizacji wsadowej Exercise 13: Strojenie hiperparametrów Exercise 14: Przygotowanie modelu do strojenia Exercise 15: Strojenie parametrów modelu Exercise 16: Trening z walidacją krzyżową

Czas na bardziej zaawansowane architektury! Zbudujesz autoenkoder do rekonstrukcji zaszumionych obrazów, zwizualizujesz aktywacje splotowej sieci neuronowej, wykorzystasz wstępnie wytrenowane modele do klasyfikacji obrazów, a także poznasz rekurencyjne sieci neuronowe i pracę z tekstem – budując sieć przewidującą kolejne słowo w zdaniu.

Exercise 1: Tensory, warstwy i autokodery

Bieżące ćwiczenie

Exercise 2: Przepływ tensorów Exercise 3: Neuronowe rozdzielanie Exercise 4: Budowanie autoenkodera Exercise 5: Odszumianie jak autoenkoder Exercise 6: Wprowadzenie do CNN Exercise 7: Budowanie modelu CNN Exercise 8: Analiza konwolucji Exercise 9: Przygotowanie obrazu wejściowego Exercise 10: Zastosowanie modelu ze świata rzeczywistego Exercise 11: Wprowadzenie do sieci LSTM Exercise 12: Przewidywanie tekstu z użyciem LSTM Exercise 13: Zbuduj model LSTM Exercise 14: Dekodowanie predykcji Exercise 15: Przetestuj swój model!Exercise 16: Gotowe!