Camadas de entrada

O primeiro passo pra criar um modelo de rede neural é definir a camada de entrada. Essa camada pega os dados brutos, geralmente na forma de matrizes numpy. A forma da camada de entrada define quantas variáveis sua rede neural vai usar. Por exemplo, se os dados de entrada tiverem 10 colunas, você define uma camada de entrada com a forma de um (10,).

Nesse caso, você está usando só uma entrada na sua rede.

Este exercício faz parte do curso

Aprendizado profundo avançado com Keras

Instruções do exercício

Importa a função de camada “ Input ” de keras.layers.
Crie uma camada de entrada com a forma 1.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Import Input from tensorflow.keras.layers
____

# Create an input layer of shape 1
input_tensor = ____(shape=(____,))

Editar e executar o código

Este exercício faz parte do curso

Aprendizado profundo avançado com Keras

IntermediárioNível de habilidade

4.8+

Iniciar curso de graça

Neste capítulo, você vai se familiarizar com o básico da API funcional do Keras. Você vai montar uma rede funcional simples usando blocos de construção funcionais, ajustá-la aos dados e fazer previsões.

Exercise 1: Camadas de entrada e densas do Keras Exercise 2: Camadas de entrada

Exercício atual

Exercise 3: Camadas densas Exercise 4: Camadas de saída Exercise 5: Crie e compile um modelo Exercise 6: Crie um modelo Exercise 7: Compile um modelo Exercise 8: Visualize um modelo Exercise 9: Ajustar e avaliar um modelo Exercise 10: Ajuste o modelo aos dados do torneio de basquete.Exercise 11: Avalie o modelo em um conjunto de testes

Neste capítulo, você vai criar redes de duas entradas que usam embeddings categóricos pra representar dados de alta cardinalidade, camadas compartilhadas pra especificar blocos de construção reutilizáveis e camadas de mesclagem pra juntar várias entradas em uma única saída. Ao final deste capítulo, você vai ter os fundamentos básicos para projetar redes neurais com fluxos de dados complexos.

Exercise 1: Incorporações de categorias Exercise 2: Definir pesquisa de equipe Exercise 3: Definir modelo de equipe Exercise 4: Camadas compartilhadas Exercise 5: Definindo duas entradas Exercise 6: Procure as duas entradas no mesmo modelo Exercise 7: Juntar camadas Exercise 8: Camada de saída usando camada compartilhada Exercise 9: Modelo usando duas entradas e uma saída Exercise 10: Preveja a partir do seu modelo Exercise 11: Ajuste o modelo aos dados de treinamento da temporada regular.Exercise 12: Avalie o modelo com os dados de teste do torneio.

Neste capítulo, você vai expandir seu modelo de 2 entradas para 3 entradas e aprender a usar as funções summary e plot do Keras para entender os parâmetros e a topologia das suas redes neurais. No final do capítulo, você vai entender como estender um modelo de 2 entradas para 3 entradas e mais.

Exercise 1: Modelos de três entradas Exercise 2: Crie uma camada de entrada para jogos em casa e fora de casa.Exercise 3: Crie um modelo e compile-o Exercise 4: Ajuste o modelo e avalie Exercise 5: Resumindo e traçando modelos Exercise 6: Resumos dos modelos Exercise 7: Modelos de plotagem Exercise 8: Modelos empilháveis Exercise 9: Adicione as previsões do modelo aos dados do torneio.Exercise 10: Crie uma camada de entrada com várias colunas Exercise 11: Ajuste o modelo Exercise 12: Avalie o modelo

Neste capítulo, você vai criar redes neurais com várias saídas, que podem ser usadas pra resolver problemas de regressão com vários alvos. Você também vai criar um modelo que resolve um problema de regressão e um problema de classificação ao mesmo tempo.

Exercise 1: Modelos com duas saídas Exercise 2: Modelo simples de duas saídas Exercise 3: Ajuste um modelo com duas saídas Exercise 4: Dá uma olhada no modelo (I)Exercise 5: Avalie o modelo Exercise 6: Modelo único para classificação e regressão Exercise 7: Classificação e regressão em um modelo Exercise 8: Compile e ajuste o modelo Exercise 9: Dá uma olhada no modelo (II)Exercise 10: Avalie novos dados com duas métricas Exercise 11: Conclusão