Remodelando tensores

Mais adiante no curso, você vai classificar imagens de letras em linguagem de sinais usando uma rede neural. Em alguns casos, a rede vai receber tensores 1D como entrada, mas seus dados virão como imagens, que serão tensores 2D ou 3D, dependendo de serem imagens em tons de cinza ou coloridas.

A figura abaixo mostra imagens em tons de cinza e colorida da letra A em linguagem de sinais. As duas imagens já foram importadas para você e convertidas nos arrays do numpy gray_tensor e color_tensor. Remodele esses arrays em vetores 1D usando a operação reshape, que já foi importada de tensorflow. Observe que o formato de gray_tensor é 28x28 e o de color_tensor é 28x28x3.

This figure shows grayscale and color images of the sign language letter "A".

Este exercício faz parte do curso

Introdução ao TensorFlow em Python

Instruções do exercício

Remodele gray_tensor de uma matriz 28x28 para um vetor 784x1 chamado gray_vector.
Remodele color_tensor de um tensor 28x28x3 para um vetor 2352x1 chamado color_vector.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Reshape the grayscale image tensor into a vector
gray_vector = reshape(____, (____, 1))

# Reshape the color image tensor into a vector
color_vector = reshape(____, (____, ____))

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

Exercício atual

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 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!