Definição de dados como constantes

Ao longo deste curso, usaremos o tensorflow versão 2.6.0 e importaremos exclusivamente os submódulos necessários para concluir cada exercício. Normalmente, isso será feito para você, mas neste exercício você o fará importando constant de tensorflow.

Depois de importar constant, você o usará para transformar uma matriz numpy, credit_numpy, em uma constante tensorflow, credit_constant. Essa matriz contém colunas de recursos de um conjunto de dados sobre titulares de cartões de crédito e é visualizada na imagem abaixo. Voltaremos a esse conjunto de dados em capítulos posteriores.

Observe que o site tensorflow 2 permite que você use os dados como uma matriz numpy ou como um objeto tensorflow constant. O uso de um constant garantirá que todas as operações realizadas com esse objeto sejam feitas em tensorflow.

Esta imagem mostra quatro colunas de recursos de um conjunto de dados sobre inadimplência de cartão de crédito: educação, casamento, idade e valor da fatura.

Este exercício faz parte do curso

Introdução ao TensorFlow em Python

Instruções de exercício

Importe o submódulo constant do módulo tensorflow.
Converta a matriz credit_numpy em um objeto constant em tensorflow. Não defina o tipo de dados.

Exercício interativo prático

Experimente este exercício preenchendo este código de exemplo.

# Import constant from TensorFlow
from tensorflow import ____

# Convert the credit_numpy array into a tensorflow constant
credit_constant = constant(____)

# Print constant datatype
print('\n The datatype is:', credit_constant.dtype)

# Print constant shape
print('\n The shape is:', credit_constant.shape)

Editar e executar código

Este exercício faz parte do curso

Introdução ao TensorFlow em Python

IntermediárioNível de habilidade

5.0+

Iniciar curso gratuitamente

Antes de criar modelos avançados no TensorFlow 2, você precisa primeiro entender os conceitos básicos. Neste capítulo, você aprenderá a definir constantes e variáveis, realizar adição e multiplicação de tensores e calcular derivadas. Conhecimento de álgebra linear será útil, mas não necessário.

Exercise 1: Constantes e variáveis Exercise 2: Definição de dados como constantes

Exercício atual

Exercise 3: Definição de variáveis Exercise 4: Operações básicas Exercise 5: Realização de multiplicação por elementos Exercise 6: Fazer previsões com a multiplicação de matrizes Exercise 7: Somando as dimensões do tensor Exercise 8: Operações avançadas Exercise 9: Reformulação de tensores Exercise 10: Otimização com gradientes Exercise 11: Trabalho com dados de imagem

Neste capítulo, você aprenderá a criar, resolver e fazer previsões com modelos no TensorFlow 2. Você se concentrará em uma classe simples de modelos - o modelo de regressão linear - e tentará prever os preços das moradias. Ao final do capítulo, você saberá como carregar e manipular dados, construir funções de perda, realizar minimização, fazer previsões e reduzir o uso de recursos com treinamento em lote.

Exercise 1: Dados de entrada Exercise 2: Carregar dados usando pandas Exercise 3: Definir o tipo de dados Exercise 4: Funções de perda Exercise 5: Funções de perda no TensorFlow Exercise 6: Modificação da função de perda Exercise 7: Regressão linear Exercise 8: Configure uma regressão linear Exercise 9: Treinar um modelo linear Exercise 10: Regressão linear múltipla Exercise 11: Treinamento em lote Exercise 12: Preparando-se para o treinamento em lote Exercise 13: Treinamento de um modelo linear em lotes

Os capítulos anteriores ensinaram a você como criar modelos no TensorFlow 2. Neste capítulo, você aplicará essas mesmas ferramentas para criar, treinar e fazer previsões com redes neurais. Você aprenderá a definir camadas densas, aplicar funções de ativação, selecionar um otimizador e aplicar regularização para reduzir o excesso de ajuste. Você aproveitará a flexibilidade do TensorFlow usando álgebra linear de baixo nível e operações de alto nível do Keras API 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: Evitar mínimos locais Exercise 11: Treinamento de uma rede no TensorFlow Exercise 12: Inicialização no TensorFlow Exercise 13: Definição do modelo e da função de perda Exercise 14: Treinamento de redes neurais com o TensorFlow

No capítulo final, você usará APIs de alto nível no TensorFlow 2 para treinar um classificador de letras da língua de sinais. Você usará o Keras APIsequencial e funcional para treinar, validar, fazer previsões e avaliar modelos. Você também aprenderá a usar o Estimators API para simplificar o processo de definição e treinamento de modelos e evitar erros.

Exercise 1: Definição de redes neurais com o Keras Exercise 2: O modelo sequencial no Keras Exercise 3: Compilação de um modelo sequencial Exercise 4: Definição de um modelo de múltiplas entradas Exercise 5: Treinamento e validação com o Keras Exercise 6: Treinamento com o Keras Exercise 7: Métricas e validação com o Keras Exercise 8: Detecção de sobreajuste Exercise 9: Avaliação de modelos Exercise 10: Modelos de treinamento com os Estimadores API Exercise 11: Preparando-se para treinar com os Estimadores Exercise 12: Definição de estimadores Exercise 13: Parabéns!