Inicialização no TensorFlow

Uma boa inicialização pode reduzir o tempo necessário para encontrar o mínimo global. Neste exercício, vamos inicializar pesos e vieses de uma rede neural que será usada para prever inadimplência em cartão de crédito. Para construir intuição, usaremos a abordagem de baixo nível, baseada em álgebra linear, em vez de funções utilitárias e operações de alto nível do keras. Também ampliaremos o conjunto de recursos de entrada de 3 para 23. Várias operações foram importadas do tensorflow: Variable(), random(), e ones().

Este exercício faz parte do curso

Introdução ao TensorFlow em Python

Instruções do exercício

Inicialize os pesos da camada 1, w1, como uma Variable() com shape [23, 7], amostrados de uma distribuição normal.
Inicialize o viés da camada 1 usando ones.
Use uma amostra da distribuição normal para inicializar w2 como uma Variable() com shape [7, 1].
Defina b2 como uma Variable() e defina seu valor inicial como 0.0.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Define the layer 1 weights
w1 = ____(random.normal([____, ____]))

# Initialize the layer 1 bias
b1 = Variable(____([7]))

# Define the layer 2 weights
w2 = ____

# Define the layer 2 bias
b2 = ____

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 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

Exercício atual

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!