Reformulação de tensores

Mais adiante no curso, você classificará imagens de letras da linguagem de sinais usando uma rede neural. Em alguns casos, a rede receberá tensores unidimensionais como entradas, mas seus dados virão na forma de imagens, que serão tensores bidimensionais ou tridimensionais, dependendo de serem imagens em escala de cinza ou coloridas.

A figura abaixo mostra imagens coloridas e em escala de cinza da letra A da linguagem de sinais. As duas imagens foram importadas para você e convertidas para as matrizes numpy gray_tensor e color_tensor. Remodele essas matrizes em vetores unidimensionais usando a operação reshape, que foi importada para você de tensorflow. Observe que a forma de gray_tensor é 28x28 e a forma de color_tensor é 28x28x3.

Esta figura mostra imagens em escala de cinza e coloridas da letra "A" da linguagem de sinais.

Este exercício faz parte do curso

Introdução ao TensorFlow em Python

Instruções do exercício

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

Exercício atual

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!