Olika aktiveringsfunktioner

Funktionerna sigmoid(), tanh(), ReLU() och leaky_ReLU() är definierade och redo att använda. Varje funktion tar ett inmatat tal X och returnerar motsvarande Y-värde.

Vilket av påståendena nedan är falskt?

Den här övningen är en del av kursen

Introduktion till djupinlärning med Keras

Visa kurs

Interaktiv övning med praktiskt arbete

Gör teori till handling med en av våra interaktiva övningar

Starta övningen

Den här övningen är en del av kursen

Introduktion till djupinlärning med Keras

SkillTag.level.intermediateSkillTag.label

4.8+

132 reviews

Starta kursen gratis

I det här första kapitlet introduceras du till neurala nätverk, förstår vilka typer av problem de kan lösa och när du bör använda dem. Du bygger också flera nätverk och bidrar till att rädda jorden genom att träna en regressionsmodell som approximerar banan för en meteor på väg mot oss!

Exercise 1: Vad är Keras?Exercise 2: Beskriva Keras Exercise 3: Skulle du använda djupinlärning?Exercise 4: Ditt första neurala nätverk Exercise 5: Hej, nätverk!Exercise 6: Räkna parametrar Exercise 7: Bygg som bilden visar!Exercise 8: Överleva ett meteoritnedslag Exercise 9: Specificera en modell Exercise 10: Träning Exercise 11: Förutsäg omloppsbanan!

När du är klar med det här kapitlet vet du hur du löser binära, multiklass- och multietikettproblem med neurala nätverk. Du gör det genom att lösa problem som att identifiera falska sedlar, avgöra vem som kastade vilken pil på en board och bygga ett intelligent system för att vattna din odling. Du lär dig också att visualisera träningsstatistik och att stoppa träningen och spara dina modeller när de slutar förbättras.

Exercise 1: Binär klassificering Exercise 2: Utforska dollarsedlar Exercise 3: En binär klassificeringsmodell Exercise 4: Är den här dollarsedeln falsk?Exercise 5: Klassificering av flera klasser Exercise 6: En modell för flera klasser Exercise 7: Förbered din datamängd Exercise 8: Träning på pilkastare Exercise 9: Softmax-prediktioner Exercise 10: Fleretikettsklassificering Exercise 11: En bevattningsmaskin Exercise 12: Träning med flera etiketter Exercise 13: Keras callbacks Exercise 14: History-callback Exercise 15: Avbryt träningen i förtid Exercise 16: En kombination av callbacks

I de tidigare kapitlen har du tränat många modeller! Nu lär du dig att tolka inlärningskurvor för att förstå modellerna under träning. Du visualiserar också effekterna av aktiveringsfunktioner, batchstorlekar och batchnormalisering. Slutligen lär du dig att utföra automatisk hyperparameterjustering av dina Keras-modeller med sklearn.

Exercise 1: Inlärningskurvor Exercise 2: Lär dig känna igen siffror Exercise 3: Överanpassar modellen?Exercise 4: Behöver vi mer data?Exercise 5: Aktiveringsfunktioner Exercise 6: Olika aktiveringsfunktioner

Aktuell övning

Exercise 7: Jämföra aktiveringsfunktioner Exercise 8: Jämföra aktiveringsfunktioner II Exercise 9: Batchstorlek och batchnormalisering Exercise 10: Ändra batchstorlekar Exercise 11: Batchnormalisering av en bekant modell Exercise 12: Effekter av batchnormalisering Exercise 13: Hyperparameterjustering Exercise 14: Förbereda en modell för finjustering Exercise 15: Finjustera modellens parametrar Exercise 16: Träning med korsvalidering

Nu är det dags att utforska mer avancerade arkitekturer! Du skapar en autoenkoder för att rekonstruera brusiga bilder, visualiserar aktiveringar i neurala faltningsnätverk, använder djupa förtränade modeller för bildklassificering och lär dig mer om rekurrenta neurala nätverk och textbehandling när du bygger ett nätverk som förutsäger nästa ord i en mening.

Exercise 1: Tensorer, lager och autoenkoders Exercise 2: Ett flöde av tensorer Exercise 3: Neural separation Exercise 4: Bygg en autoencoder Exercise 5: Brusreducering med en autoenkoder Exercise 6: Introduktion till CNN:er Exercise 7: Bygg en CNN-modell Exercise 8: Undersök konvolutioner Exercise 9: Förbereda din indatabild Exercise 10: Använd en verklig modell Exercise 11: Introduktion till LSTM Exercise 12: Textprediktion med LSTM Exercise 13: Bygg din LSTM-modell Exercise 14: Avkoda dina prediktioner Exercise 15: Testa din modell!Exercise 16: Du är klar!