Definição de variáveis

Ao contrário de uma constante, o valor de uma variável pode ser modificado. Isso será útil quando quisermos treinar um modelo atualizando seus parâmetros.

Vamos tentar definir e imprimir uma variável. Em seguida, converteremos a variável em uma matriz numpy, imprimiremos novamente e verificaremos se há diferenças. Observe que Variable(), que é usado para criar um tensor variável, foi importado de tensorflow e está disponível para uso no exercício.

Este exercício faz parte do curso

Introdução ao TensorFlow em Python

Instruções de exercício

Defina uma variável, A1, como o tensor unidimensional: [1, 2, 3, 4].
Aplique .numpy() a A1 e atribua-o a B1.

Exercício interativo prático

Experimente este exercício preenchendo este código de exemplo.

# Define the 1-dimensional variable A1
A1 = ____([1, 2, 3, 4])

# Print the variable A1
print('\n A1: ', A1)

# Convert A1 to a numpy array and assign it to B1
B1 = ____

# Print B1
print('\n B1: ', B1)

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 Exercise 3: Definição de variáveis

Exercício atual

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!