Activation functions แบบต่าง ๆ

ฟังก์ชัน sigmoid(), tanh(), ReLU() และ leaky_ReLU() ถูกกำหนดไว้แล้วและพร้อมใช้งาน แต่ละฟังก์ชันรับค่าตัวเลข X เป็น input และคืนค่า Y ที่สอดคล้องกัน

ข้อความใดด้านล่างนี้ ไม่ถูกต้อง?

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Deep Learning เบื้องต้นด้วย Keras

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำจริง

เปลี่ยนทฤษฎีให้เป็นการลงมือทำด้วยแบบฝึกหัดเชิงโต้ตอบหนึ่งในของเรา

เริ่มแบบฝึกหัด

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Deep Learning เบื้องต้นด้วย Keras

SkillTag.level.intermediateSkillTag.label

4.8+

เริ่มคอร์สฟรี

ในบทแรกนี้ จะได้รู้จักกับ neural network ทำความเข้าใจประเภทของปัญหาที่สามารถแก้ได้ และเรียนรู้ว่าควรใช้งานเมื่อใด พร้อมทั้งสร้าง network หลายรูปแบบ และช่วยโลกด้วยการเทรนโมเดล regression ที่ประมาณวิถีโคจรของอุกกาบาตที่กำลังเข้าใกล้โลก!

Exercise 1: Keras คืออะไร?Exercise 2: ทำความรู้จัก Keras Exercise 3: ควรใช้ Deep Learning หรือไม่?Exercise 4: โครงข่ายประสาทเทียมแรกของคุณ Exercise 5: Hello nets!Exercise 6: การนับพารามิเตอร์Exercise 7: สร้างตามที่แสดง!Exercise 8: รับมือกับอุกกาบาตพุ่งชน Exercise 9: การกำหนดโมเดล Exercise 10: การฝึกโมเดล Exercise 11: ทำนายวงโคจร!

เมื่อจบบทนี้ จะรู้วิธีแก้ปัญหาแบบ binary, multi-class และ multi-label ด้วย neural network โดยผ่านโจทย์ต่าง ๆ เช่น การตรวจจับธนบัตรปลอม การระบุว่าใครขว้างลูกดอกใส่เป้า และการสร้างระบบอัจฉริยะสำหรับรดน้ำในฟาร์ม นอกจากนี้ยังสามารถพล็อตเมตริกการเทรนโมเดล และหยุดการเทรนพร้อมบันทึกโมเดลได้เมื่อโมเดลไม่พัฒนาขึ้นแล้ว

Exercise 1: การจำแนกประเภทแบบไบนารี Exercise 2: สำรวจข้อมูลธนบัตรดอลลาร์Exercise 3: โมเดลสำหรับ binary classification Exercise 4: ธนบัตรดอลลาร์ใบนี้ปลอมหรือเปล่า?Exercise 5: การจำแนกประเภทแบบหลายคลาส Exercise 6: โมเดล Multi-class Exercise 7: เตรียมชุดข้อมูล Exercise 8: ฝึกโมเดลจำแนกผู้ขว้างดาร์ต Exercise 9: การทำนายด้วย Softmax Exercise 10: การจำแนกประเภทแบบหลายป้ายกำกับ Exercise 11: เครื่องให้น้ำอัตโนมัติ Exercise 12: การฝึกโมเดลแบบหลาย label Exercise 13: Keras Callbacks Exercise 14: History Callback Exercise 15: การหยุดการเทรนโมเดลด้วย Early Stopping Exercise 16: การใช้ callbacks หลายตัวร่วมกัน

ในบทที่ผ่านมา ได้เทรนโมเดลมาหลายตัวแล้ว! ตอนนี้จะได้เรียนรู้วิธีอ่าน learning curve เพื่อทำความเข้าใจโมเดลขณะเทรน รวมถึงการแสดงผลของ activation function, batch size และ batch normalization จากนั้นจะได้เรียนรู้วิธีปรับแต่ง hyperparameter อัตโนมัติสำหรับโมเดล Keras โดยใช้ sklearn

Exercise 1: เส้นโค้งการเรียนรู้Exercise 2: เรียนรู้การจำแนกตัวเลข Exercise 3: โมเดลกำลัง Overfit อยู่หรือเปล่า?Exercise 4: เราต้องการข้อมูลเพิ่มเติมหรือไม่?Exercise 5: Activation functions Exercise 6: Activation functions แบบต่าง ๆ

แบบฝึกหัดปัจจุบัน

Exercise 7: เปรียบเทียบ activation functions Exercise 8: เปรียบเทียบ Activation Functions II Exercise 9: Batch size และ Batch Normalization Exercise 10: การเปลี่ยนขนาด batch Exercise 11: เพิ่ม Batch Normalization ให้กับโมเดลที่คุ้นเคย Exercise 12: ผลของ Batch Normalization Exercise 13: การปรับ Hyperparameter Exercise 14: การเตรียมโมเดลสำหรับการปรับแต่ง Exercise 15: ปรับแต่งพารามิเตอร์ของโมเดล Exercise 16: การเทรนโมเดลด้วย Cross-Validation

ถึงเวลาทำความรู้จักกับสถาปัตยกรรมขั้นสูงเพิ่มเติมแล้ว! จะได้สร้าง autoencoder เพื่อฟื้นฟูภาพที่มีสัญญาณรบกวน แสดงภาพการทำงานของ convolutional neural network ใช้โมเดลที่เทรนมาแล้วในการจำแนกภาพ และเรียนรู้เพิ่มเติมเกี่ยวกับ recurrent neural network และการทำงานกับข้อความ ผ่านการสร้าง network ที่พยากรณ์คำถัดไปในประโยค

Exercise 1: เทนเซอร์ เลเยอร์ และ autoencoder Exercise 2: การไหลของ tensor Exercise 3: การแยกด้วยโครงข่ายประสาทเทียม Exercise 4: การสร้าง Autoencoder Exercise 5: การกำจัดสัญญาณรบกวนด้วย Autoencoder Exercise 6: CNN เบื้องต้น Exercise 7: การสร้างโมเดล CNN Exercise 8: สำรวจ Convolution Exercise 9: เตรียม input image Exercise 10: ใช้งานโมเดลจากโลกจริง Exercise 11: LSTM เบื้องต้น Exercise 12: การพยากรณ์ข้อความด้วย LSTM Exercise 13: สร้างโมเดล LSTM Exercise 14: ถอดรหัสผลการทำนาย Exercise 15: ทดสอบโมเดล!Exercise 16: เสร็จแล้ว!