Previsões com softmax

Seu model recém-treinado já está carregado. Ele está generalizando bem! Por isso você obteve uma alta acurácia no conjunto de teste.

Como você usou a função de ativação softmax, para cada entrada com 2 coordenadas fornecida ao seu modelo há um vetor de saída com 4 números. Cada um desses números representa a probabilidade de um determinado dardo ter sido lançado por um dos 4 possíveis competidores.

Ao calcular a acurácia com o método .evaluate() do modelo, ele considera como previsão a classe com maior probabilidade. np.argmax() pode ajudar nisso, pois retorna o índice com o maior valor em um array.

Use o conjunto de arremessos de teste armazenado em coords_small_test e np.argmax() para conferir!

Este exercício faz parte do curso

Introdução ao Deep Learning com Keras

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Predict on coords_small_test
preds = ____.____(____)

# Print preds vs true values
print("{:45} | {}".format('Raw Model Predictions','True labels'))
for i,pred in enumerate(preds):
  print("{} | {}".format(pred,competitors_small_test[i]))

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

Exercício atual

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 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!