Inspektera modellen (II)

Nu ska du titta på vikterna för den här modellen. Notera särskilt modellens sista vikt. Den här vikten omvandlar den förutsagda poängskillnaden till en förutsagd vinstsannolikhet. Om du multiplicerar den förutsagda poängskillnaden med modellens sista vikt och sedan tillämpar sigmoidfunktionen, får du matchens vinstsannolikhet.

Den här övningen är en del av kursen

Avancerad djupinlärning med Keras

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Print the model weights
print(____)

# Print the training data means
print(____)

Redigera och kör kod

Den här övningen är en del av kursen

Avancerad djupinlärning med Keras

SkillTag.level.intermediateSkillTag.label

4.8+

Starta kursen gratis

I det här kapitlet bekantar du dig med grunderna i Keras funktionella API. Du bygger ett enkelt funktionellt nätverk med funktionella byggblock, anpassar det till data och gör prediktioner.

Exercise 1: Keras input- och dense-lager Exercise 2: Indatalager Exercise 3: Täta lager Exercise 4: Utdatalager Exercise 5: Bygg och kompilera en modell Exercise 6: Bygg en modell Exercise 7: Kompilera en modell Exercise 8: Visualisera en modell Exercise 9: Träna och utvärdera en modell Exercise 10: Träna modellen på basketturneringsdatan Exercise 11: Utvärdera modellen på en testmängd

I det här kapitlet bygger du nätverk med två ingångar som använder kategoriinbäddningar för att representera data med hög kardinalitet, delade lager för att definiera återanvändbara byggblock, och sammanslagningslager för att kombinera flera ingångar till en enda utgång. När du är klar med kapitlet har du de grundläggande byggblocken för att utforma neurala nätverk med komplexa dataflöden.

Exercise 1: Kategoriska inbäddningar Exercise 2: Definiera lagsökning Exercise 3: Definiera lagmodellen Exercise 4: Delade lager Exercise 5: Definiera två indatalager Exercise 6: Slå upp båda indata i samma modell Exercise 7: Sammanslagningslager Exercise 8: Utdatalager med delat lager Exercise 9: Modell med två indata och en utdata Exercise 10: Gör förutsägelser med din modell Exercise 11: Träna modellen på säsongsdata Exercise 12: Utvärdera modellen på turneringens testdata

I det här kapitlet utökar du din modell med 2 ingångar till 3 ingångar och lär dig använda Keras sammanfattnings- och plotfunktioner för att förstå parametrarna och topologin i dina neurala nätverk. När du är klar med kapitlet förstår du hur du utökar en modell från 2 till 3 ingångar och bortom.

Exercise 1: Modeller med tre indata Exercise 2: Skapa ett indatalager för hemma- kontra bortalag Exercise 3: Skapa och kompilera en modell Exercise 4: Träna modellen och utvärdera Exercise 5: Sammanfatta och visualisera modeller Exercise 6: Modellsammanfattningar Exercise 7: Visualisera modeller Exercise 8: Att stapla modeller Exercise 9: Lägg till modellens förutsägelser i turneringsdata Exercise 10: Skapa ett indatalager med flera kolumner Exercise 11: Träna modellen Exercise 12: Utvärdera modellen

I det här kapitlet bygger du neurala nätverk med flera utgångar, vilket kan användas för att lösa regressionsproblem med flera mål. Du bygger även en modell som löser ett regressionsproblem och ett klassificeringsproblem samtidigt.

Exercise 1: Modeller med två utdata Exercise 2: Enkel modell med två utdata Exercise 3: Träna en modell med två utdata Exercise 4: Inspektera modellen (I)Exercise 5: Utvärdera modellen Exercise 6: En modell för klassificering och regression Exercise 7: Klassificering och regression i en och samma modell Exercise 8: Kompilera och träna modellen Exercise 9: Inspektera modellen (II)

Aktuell övning

Exercise 10: Utvärdera på nya data med två mätvärden Exercise 11: Avslutning