Observando convoluções

Inspecionar as ativações de uma camada convolucional é muito legal. Você tem que fazer isso pelo menos uma vez na vida!

Para isso, você vai construir um novo modelo com o objeto Model do Keras, que recebe uma lista de entradas e uma lista de saídas. As saídas que você fornecerá a esse novo modelo são as saídas da primeira camada convolucional quando a imagem de entrada é um dígito do MNIST.

O model convolucional que você construiu no exercício anterior já foi treinado para você. Ele agora consegue classificar corretamente imagens manuscritas do MNIST. Você pode conferir isso com model.summary() no console.

Vamos observar as máscaras convolucionais aprendidas na primeira camada convolucional desse modelo!

Este exercício faz parte do curso

Introdução ao Deep Learning com Keras

Instruções do exercício

Obtenha uma referência às saídas da primeira camada convolucional do modelo.
Construa um novo modelo usando a entrada da primeira camada do modelo e first_layer_output como saídas.
Use esse first_layer_model para prever em X_test.
Plote as ativações do primeiro dígito de X_test para os filtros de neurônios 15º e 18º.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Obtain a reference to the outputs of the first layer
first_layer_output = model.layers[____].output

# Build a model using the model's input and the first layer output
first_layer_model = Model(inputs = model.layers[0].input, outputs = ____)

# Use this model to predict on X_test
activations = ____.____(____)

# Plot the activations of first digit of X_test for the 15th filter
axs[0].matshow(activations[____,:,:,14], cmap = 'viridis')

# Do the same but for the 18th filter now
axs[1].matshow(activations[0,:,:,____], cmap = 'viridis')
plt.show()

Editar e executar o código

Este exercício faz parte do curso

Introdução ao Deep Learning com Keras

IntermediárioNível de habilidade

4.8+

Iniciar curso de graça

Neste primeiro capítulo, você vai ser apresentado às redes neurais, entender que tipo de problemas elas resolvem e quando usá-las. Você também vai construir várias redes e salvar a Terra treinando um modelo de regressão que aproxima a órbita de um meteoro que está se aproximando!

Exercise 1: O que é Keras?Exercise 2: Descrevendo o Keras Exercise 3: Você usaria deep learning?Exercise 4: Sua primeira rede neural Exercise 5: Olá, redes!Exercise 6: Contando parâmetros Exercise 7: Construa como mostrado!Exercise 8: Sobrevivendo a um impacto de meteoro Exercise 9: Especificando um modelo Exercise 10: Treinando Exercise 11: Prevendo a órbita!

Ao final deste capítulo, você saberá como resolver problemas binários, multiclasse e multilabel com redes neurais. Tudo isso resolvendo problemas como detectar notas de dólar falsas, decidir quem lançou qual dardo em um alvo e construir um sistema inteligente para irrigar sua fazenda. Você também será capaz de plotar métricas de treino do modelo e interromper o treino e salvar seus modelos quando eles deixarem de melhorar.

Exercise 1: Classificação binária Exercise 2: Explorando cédulas de dólar Exercise 3: Um modelo de classificação binária Exercise 4: Essa nota de dólar é falsa?Exercise 5: Classificação multiclasse Exercise 6: Um modelo multiclasse Exercise 7: Prepare seu conjunto de dados Exercise 8: Treinando com arremessadores de dardos Exercise 9: Previsões com softmax Exercise 10: Classificação multirrótulo Exercise 11: Uma máquina de irrigação Exercise 12: Treinando com múltiplos rótulos Exercise 13: Callbacks do Keras Exercise 14: O callback de histórico Exercise 15: Parada antecipada do seu modelo Exercise 16: Uma combinação de callbacks

Nos capítulos anteriores, você treinou muitos modelos! Agora você vai aprender a interpretar curvas de aprendizado para entender seus modelos enquanto treinam. Você também vai visualizar os efeitos das funções de ativação, dos tamanhos de batch e da normalização em batch. Por fim, você vai aprender a fazer otimização automática de hiperparâmetros nos seus modelos Keras usando o sklearn.

Exercise 1: Curvas de aprendizado Exercise 2: Aprendendo os dígitos Exercise 3: O modelo está overfitting?Exercise 4: Precisamos de mais dados?Exercise 5: Funções de ativação Exercise 6: Funções de ativação diferentes Exercise 7: Comparando funções de ativação Exercise 8: Comparando funções de ativação II Exercise 9: Tamanho do lote e batch normalization Exercise 10: Alterando os tamanhos de batch Exercise 11: Normalizando em lote um modelo conhecido Exercise 12: Efeitos da batch normalization Exercise 13: Ajuste de hiperparâmetros Exercise 14: Preparando um modelo para ajuste Exercise 15: Ajustando os parâmetros do modelo Exercise 16: Treinando com validação cruzada

É hora de conhecer arquiteturas mais avançadas! Você vai criar um autoencoder para reconstruir imagens com ruído, visualizar ativações de redes neurais convolucionais, usar modelos profundos pré-treinados para classificar imagens e aprender mais sobre redes neurais recorrentes e trabalho com texto ao construir uma rede que prevê a próxima palavra em uma frase.

Exercise 1: Tensores, camadas e autoencoders Exercise 2: É um fluxo de tensores Exercise 3: Separação neural Exercise 4: Construindo um autoencoder Exercise 5: Remoção de ruído como um autoencoder Exercise 6: Introdução às CNNs Exercise 7: Construindo um modelo de CNN Exercise 8: Observando convoluções

Exercício atual

Exercise 9: Preparando sua imagem de entrada Exercise 10: Usando um modelo do mundo real Exercise 11: Introdução às LSTMs Exercise 12: Previsão de texto com LSTMs Exercise 13: Construa seu modelo LSTM Exercise 14: Decodifique suas previsões Exercise 15: Teste seu modelo!Exercise 16: Você terminou!