Evrişimlere yakından bakmak

Bir evrişim katmanının aktivasyonlarını incelemek epey havalı bir iş. Hayatta en az bir kez yapmalısın!

Bunu yapmak için, Keras Model nesnesiyle yeni bir model kuracaksın. Bu nesne bir girişler listesi ve bir çıkışlar listesi alır. Bu yeni modele sağlayacağın çıkışlar, bir MNIST rakamı giriş görüntüsü verildiğinde ilk evrişim katmanının çıktıları olacak.

Önceki egzersizde kurduğun evrişimsel model senin için zaten eğitildi. Artık MNIST el yazısı görüntülerini doğru şekilde sınıflandırabiliyor. Konsolda model.summary() ile kontrol edebilirsin.

Hadi, bu modelin ilk evrişim katmanında öğrenilen evrişim maskelerine göz atalım!

Bu egzersiz

Keras ile Deep Learning'e Giriş

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Modeldeki ilk evrişim katmanının çıktısına bir referans al.
Modelin ilk katman girdisini ve çıktı olarak first_layer_output'u kullanarak yeni bir model oluştur.
Bu first_layer_model ile X_test üzerinde tahmin yap.
X_test'in ilk rakamının aktivasyonlarını 15. ve 18. nöron filtresi için görselleştir.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Obtain a reference to the outputs of the first layer
first_layer_output = model.layers[____].output

# Build a model using the model's input and the first layer output
first_layer_model = Model(inputs = model.layers[0].input, outputs = ____)

# Use this model to predict on X_test
activations = ____.____(____)

# Plot the activations of first digit of X_test for the 15th filter
axs[0].matshow(activations[____,:,:,14], cmap = 'viridis')

# Do the same but for the 18th filter now
axs[1].matshow(activations[0,:,:,____], cmap = 'viridis')
plt.show()

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

Geçerli Egzersiz

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