Treinando com Keras

Neste exercício, vamos voltar ao problema de classificação de letras em linguagem de sinais. Temos 2000 imagens de quatro letras — A, B, C e D — e queremos classificá-las com alta precisão. Vamos completar todas as etapas do problema, incluindo a definição do modelo, a compilação e o treinamento.

Observe que keras já foi importado de tensorflow para você. Além disso, as features estão disponíveis como sign_language_features e os alvos estão disponíveis como sign_language_labels.

Este exercício faz parte do curso

Introdução ao TensorFlow em Python

Instruções do exercício

Defina um modelo sequencial chamado model.
Configure a camada de saída como densa, com 4 nós, usando a função de ativação softmax.
Compile o modelo com o otimizador SGD e a perda categorical_crossentropy.
Complete a operação de ajuste (fit) e defina o número de épocas como 5.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Define a sequential model
____

# Define a hidden layer
model.add(keras.layers.Dense(16, activation='relu', input_shape=(784,)))

# Define the output layer
____

# Compile the model
model.compile('____', loss='____')

# Complete the fitting operation
model.fit(____, ____, epochs=____)

Editar e executar o código

Este exercício faz parte do curso

Introdução ao TensorFlow em Python

IntermediárioNível de habilidade

4.8+

Iniciar curso de graça

Antes de criar modelos avançados no TensorFlow 2, você precisa entender o básico. Neste capítulo, você vai aprender a definir constantes e variáveis, realizar adição e multiplicação de tensores e calcular derivadas. Ter noções de álgebra linear ajuda, mas não é obrigatório.

Exercise 1: Constantes e variáveis Exercise 2: Definindo dados como constantes Exercise 3: Definindo variáveis Exercise 4: Operações básicas Exercise 5: Realizando multiplicação elemento a elemento Exercise 6: Fazendo previsões com multiplicação de matrizes Exercise 7: Somando ao longo das dimensões de um tensor Exercise 8: Operações avançadas Exercise 9: Remodelando tensores Exercise 10: Otimização com gradientes Exercise 11: Trabalhando com dados de imagem

Neste capítulo, você vai aprender a construir, resolver e fazer previsões com modelos no TensorFlow 2. O foco será uma classe simples de modelos — a regressão linear — e você tentará prever preços de imóveis. Ao final, você saberá carregar e manipular dados, construir funções de perda, realizar minimização, fazer previsões e reduzir o uso de recursos com treino em lotes (batch training).

Exercise 1: Dados de entrada Exercise 2: Carregar dados usando pandas Exercise 3: Definindo o tipo de dado Exercise 4: Funções de perda Exercise 5: Funções de perda no TensorFlow Exercise 6: Modificando a função de perda Exercise 7: Regressão linear Exercise 8: Configurar uma regressão linear Exercise 9: Treinar um modelo linear Exercise 10: Regressão linear múltipla Exercise 11: Treinamento em lotes Exercise 12: Preparando para o treinamento em lotes Exercise 13: Treinando um modelo linear em lotes

Os capítulos anteriores mostraram como construir modelos no TensorFlow 2. Neste capítulo, você aplicará as mesmas ferramentas para criar, treinar e fazer previsões com redes neurais. Você vai aprender a definir camadas densas, aplicar funções de ativação, escolher um otimizador e aplicar regularização para reduzir overfitting. Vai tirar proveito da flexibilidade do TensorFlow usando tanto álgebra linear de baixo nível quanto as operações da API Keras de alto nível para definir e treinar modelos.

Exercise 1: Camadas densas Exercise 2: A álgebra linear de camadas densas Exercise 3: A abordagem de baixo nível com vários exemplos Exercise 4: Usando a operação de camada densa Exercise 5: Funções de ativação Exercise 6: Problemas de classificação binária Exercise 7: Problemas de classificação multiclasse Exercise 8: Otimizadores Exercise 9: Os perigos dos mínimos locais Exercise 10: Evitando mínimos locais Exercise 11: Treinando uma rede no TensorFlow Exercise 12: Inicialização no TensorFlow Exercise 13: Definindo o modelo e a função de perda Exercise 14: Treinando redes neurais com TensorFlow

No capítulo final, você usará APIs de alto nível do TensorFlow 2 para treinar um classificador de letras da linguagem de sinais. Você usará as APIs Keras sequencial e funcional para treinar, validar, fazer previsões e avaliar modelos. Você também vai aprender a usar a API Estimators para simplificar a definição e o treinamento do modelo e evitar erros.

Exercise 1: Definindo redes neurais com Keras Exercise 2: O modelo sequencial no Keras Exercise 3: Compilando um modelo sequencial Exercise 4: Definindo um modelo com múltiplas entradas Exercise 5: Treinamento e validação com Keras Exercise 6: Treinando com Keras

Exercício atual

Exercise 7: Métricas e validação com Keras Exercise 8: Detecção de overfitting Exercise 9: Avaliando modelos Exercise 10: Treinando modelos com a API Estimators Exercise 11: Preparando o treinamento com Estimators Exercise 12: Defining Estimators Exercise 13: Parabéns!