Modificarea funcției de pierdere

În exercițiul anterior, ai definit o funcție de pierdere în tensorflow și ai evaluat-o o singură dată pentru un set de valori reale și valori prezise. În acest exercițiu, vei calcula pierderea în interiorul unei alte funcții numite loss_function(), care generează mai întâi valorile prezise pe baza datelor și a variabilelor. Scopul acestei abordări este să construiești o funcție a variabilelor antrenabile ale modelului care returnează pierderea. Poți apoi evalua această funcție în mod repetat pentru diferite valori ale variabilelor, până găsești minimul. În practică, vei transmite această funcție unui optimizator în tensorflow. Reține că features și targets sunt deja definite și disponibile. De asemenea, Variable, float32 și keras sunt disponibile.

Acest exercițiu face parte din cursul

Introducere în TensorFlow în Python

Instrucțiuni pentru exercițiu

Definește o variabilă, scalar, cu valoarea inițială 1.0 și tipul float32.
Definește o funcție numită loss_function(), care primește ca argumente scalar, features și targets, în această ordine.
Folosește o funcție de pierdere bazată pe eroarea absolută medie.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Initialize a variable named scalar
scalar = ____(1.0, ____)

# Define the model
def model(scalar, features = features):
  	return scalar * features

# Define a loss function
def loss_function(____, features = features, targets = targets):
	# Compute the predicted values
	predictions = model(scalar, features)
    
	# Return the mean absolute error loss
	return keras.losses.____(targets, predictions)

# Evaluate the loss function and print the loss
print(loss_function(scalar).numpy())

Editează și rulează codul

Acest exercițiu face parte din cursul

Introducere în TensorFlow în Python

SkillTag.level.intermediateSkillTag.label

4.8+

Începe cursul gratuit

Înainte de a construi modele avansate în TensorFlow 2, trebuie să înțelegi elementele de bază. În acest capitol, vei învăța cum să definești constante și variabile, să efectuezi adunări și înmulțiri cu tensori și să calculezi derivate. Cunoștințele de algebră liniară sunt utile, dar nu obligatorii.

Exercise 1: Constante și variabile Exercise 2: Definirea datelor ca constante Exercise 3: Definirea variabilelor Exercise 4: Operații de bază Exercise 5: Înmulțire element cu element Exercise 6: Generarea predicțiilor prin înmulțirea matricelor Exercise 7: Suma pe dimensiunile tensorului Exercise 8: Operații avansate Exercise 9: Remodelarea tensorilor Exercise 10: Optimizare cu gradienți Exercise 11: Lucrul cu date de tip imagine

În acest capitol, vei învăța cum să construiești, să rezolvi și să faci predicții cu modele în TensorFlow 2. Te vei concentra pe o clasă simplă de modele – modelul de regresie liniară – și vei încerca să prezici prețurile locuințelor. La finalul capitolului, vei ști cum să încarci și să manipulezi date, să construiești funcții de pierdere, să efectuezi minimizare, să faci predicții și să reduci consumul de resurse prin antrenament pe loturi.

Exercise 1: Date de intrare Exercise 2: Încarcă date cu pandas Exercise 3: Setarea tipului de date Exercise 4: Funcții de pierdere Exercise 5: Funcții de pierdere în TensorFlow Exercise 6: Modificarea funcției de pierdere

Exercițiul curent

Exercise 7: Regresie liniară Exercise 8: Configurează o regresie liniară Exercise 9: Antrenează un model liniar Exercise 10: Regresia liniară multiplă Exercise 11: Antrenament pe loturi Exercise 12: Pregătire pentru antrenamentul pe loturi Exercise 13: Antrenarea unui model liniar pe loturi

Capitolele anterioare te-au învățat cum să construiești modele în TensorFlow 2. În acest capitol, vei aplica aceleași tehnici pentru a construi, antrena și face predicții cu rețele neuronale. Vei învăța cum să definești straturi dense, să aplici funcții de activare, să alegi un optimizer și să aplici regularizare pentru a reduce supraadaptarea. Vei profita de flexibilitatea TensorFlow folosind atât algebră liniară de nivel scăzut, cât și operații din API-ul Keras de nivel înalt, pentru a defini și antrena modele.

Exercise 1: Straturi dense Exercise 2: Algebra liniară a straturilor dense Exercise 3: Abordarea de nivel scăzut cu exemple multiple Exercise 4: Utilizarea operației de strat dens Exercise 5: Funcții de activare Exercise 6: Probleme de clasificare binară Exercise 7: Probleme de clasificare multiclasă Exercise 8: Optimizatori Exercise 9: Pericolele minimelor locale Exercise 10: Evitarea minimelor locale Exercise 11: Antrenarea unei rețele în TensorFlow Exercise 12: Inițializare în TensorFlow Exercise 13: Definirea modelului și a funcției de pierdere Exercise 14: Antrenarea rețelelor neuronale cu TensorFlow

În ultimul capitol, vei folosi API-uri de nivel înalt din TensorFlow 2 pentru a antrena un clasificator de litere din limbajul semnelor. Vei utiliza atât API-ul Keras secvențial, cât și cel funcțional, pentru a antrena, valida, face predicții și evalua modele. Vei învăța, de asemenea, cum să folosești API-ul Estimators pentru a simplifica procesul de definire și antrenare a modelelor și pentru a evita erorile.

Exercise 1: Definirea rețelelor neuronale cu Keras Exercise 2: Modelul secvențial în Keras Exercise 3: Compilarea unui model secvențial Exercise 4: Definirea unui model cu intrări multiple Exercise 5: Antrenare și validare cu Keras Exercise 6: Antrenare cu Keras Exercise 7: Metrici și validare cu Keras Exercise 8: Detectarea supraantrenării Exercise 9: Evaluarea modelelor Exercise 10: Antrenarea modelelor cu API-ul Estimators Exercise 11: Pregătirea antrenării cu Estimatori Exercise 12: Definirea Estimatorilor Exercise 13: Felicitări!