Treinando uma rede no TensorFlow

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Este exercício faz parte do curso

Introdução ao TensorFlow em Python

IntermediárioNível de habilidade

4.8+

40 reviews

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

Exercício atual

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!