Tahminlerini çözümle

LSTM modelin (beklememen için önceki egzersizin başarı mesajında ayrıntıları verilen) zaten eğitildi. Şimdi bu tahminleri çözümlenecek bir fonksiyon tanımlama zamanı. Eğitilmiş model, bu fonksiyona varsayılan bir parametre olarak geçirilecek.

Modelin çıkışında softmax kullanıldığı için, olasılık vektöründen en olası bir sonraki kelimeyi temsil eden indeks/pozisyonu elde etmek üzere numpy'nın argmax() fonksiyonunu kullanabilirsin.

Önceden oluşturup eğittiğin tokenizer senin için yüklendi. modelin bir sonraki kelime tahminini (bir tamsayı) temsil ettiği yazılı kelimeye dönüştürmek için içindeki index_word sözlüğünden yararlanacaksın.

Modelinle denemeler yapmaya çok yaklaştın!

Bu egzersiz

Keras ile Deep Learning'e Giriş

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

test_text parametresini sayı dizisine dönüştürmek için texts_to_sequences() kullan.
test_seq değerini modele vererek bir sonraki kelime tahminini al. En yüksek olasılığa sahip kelimeyi temsil eden indeks/pozisyonu, tahmin numpy dizisi üzerinde .argmax(axis=1)[0] çağırarak elde et.
Tahmine karşılık gelen kelimeyi, tokenizer'ın index_word sözlüğünü kullanarak döndür.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

def predict_text(test_text, model = model):
  if len(test_text.split()) != 3:
    print('Text input should be 3 words!')
    return False
  
  # Turn the test_text into a sequence of numbers
  test_seq = tokenizer.texts_to_sequences([____])
  test_seq = np.array(test_seq)
  
  # Use the model passed as a parameter to predict the next word
  pred = ____.predict(____).argmax(axis = 1)[0]
  
  # Return the word that maps to the prediction
  return tokenizer.____[____]

Kodu Düzenle ve Çalıştır

Bu egzersiz

Keras ile Deep Learning'e Giriş

kursunun bir parçasıdır

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

In this first chapter, you will get introduced to neural networks, understand what kind of problems they can solve, and when to use them. You will also build several networks and save the earth by training a regression model that approximates the orbit of a meteor that is approaching us!

Exercise 1: What is Keras?Exercise 2: Describing Keras Exercise 3: Would you use deep learning?Exercise 4: Your first neural network Exercise 5: Hello nets!Exercise 6: Counting parameters Exercise 7: Build as shown!Exercise 8: Surviving a meteor strike Exercise 9: Specifying a model Exercise 10: Training Exercise 11: Predicting the orbit!

By the end of this chapter, you will know how to solve binary, multi-class, and multi-label problems with neural networks. All of this by solving problems like detecting fake dollar bills, deciding who threw which dart at a board, and building an intelligent system to water your farm. You will also be able to plot model training metrics and to stop training and save your models when they no longer improve.

Exercise 1: Binary classification Exercise 2: Exploring dollar bills Exercise 3: A binary classification model Exercise 4: Is this dollar bill fake ?Exercise 5: Multi-class classification Exercise 6: A multi-class model Exercise 7: Prepare your dataset Exercise 8: Training on dart throwers Exercise 9: Softmax predictions Exercise 10: Multi-label classification Exercise 11: An irrigation machine Exercise 12: Training with multiple labels Exercise 13: Keras callbacks Exercise 14: The history callback Exercise 15: Early stopping your model Exercise 16: A combination of callbacks

In the previous chapters, you've trained a lot of models! You will now learn how to interpret learning curves to understand your models as they train. You will also visualize the effects of activation functions, batch-sizes, and batch-normalization. Finally, you will learn how to perform automatic hyperparameter optimization to your Keras models using sklearn.

Exercise 1: Learning curves Exercise 2: Learning the digits Exercise 3: Is the model overfitting?Exercise 4: Do we need more data?Exercise 5: Activation functions Exercise 6: Different activation functions Exercise 7: Comparing activation functions Exercise 8: Comparing activation functions II Exercise 9: Batch size and batch normalization Exercise 10: Changing batch sizes Exercise 11: Batch normalizing a familiar model Exercise 12: Batch normalization effects Exercise 13: Hyperparameter tuning Exercise 14: Preparing a model for tuning Exercise 15: Tuning the model parameters Exercise 16: Training with cross-validation

It's time to get introduced to more advanced architectures! You will create an autoencoder to reconstruct noisy images, visualize convolutional neural network activations, use deep pre-trained models to classify images and learn more about recurrent neural networks and working with text as you build a network that predicts the next word in a sentence.

Exercise 1: Tensörler, katmanlar ve otomatik kodlayıcılar Exercise 2: Tensörlerin akışı Exercise 3: Nöral ayrım Exercise 4: Bir otomatik kodlayıcı (autoencoder) oluşturma Exercise 5: Bir otomatik kodlayıcı gibi gürültü giderme Exercise 6: CNN’lere Giriş Exercise 7: Bir CNN modeli oluşturma Exercise 8: Evrişimlere yakından bakmak Exercise 9: Girdi görüntünü hazırlama Exercise 10: Gerçek dünya modelini kullanma Exercise 11: LSTM’lere Giriş Exercise 12: LSTM'lerle metin tahmini Exercise 13: LSTM modelini kur Exercise 14: Tahminlerini çözümle

Geçerli Egzersiz

Exercise 15: Modelini test et!Exercise 16: Bitti!