Aktivasyon fonksiyonlarını karşılaştırma

Aktivasyon fonksiyonlarını karşılaştırmak biraz kod yazmayı gerektirir ama senin rahatlıkla yapabileceğin bir şey!

bölümde çiftlik sulama makinen için kurduğun çok etiketli (multi-label) model üzerinde farklı aktivasyon fonksiyonlarını deneyeceksin. get_model('relu') fonksiyonu, bu modelin bir kopyasını döndürür ve gizli katmanına 'relu' aktivasyon fonksiyonunu uygular.

Birkaç aktivasyon fonksiyonunu döngüyle gezecek, her biri için yeni bir model oluşturup eğiteceksin. Geçmiş (history) geri çağrısını bir sözlükte saklayarak, bir sonraki egzersizde hangi aktivasyon fonksiyonunun en iyi performansı verdiğini görselleştirebileceksin!

X_train, y_train, X_test, y_test modellerini eğitirken kullanman için hazır.

Bu egzersiz, kursun bir parçasıdır

Keras ile Deep Learning'e Giriş

Kursa Göz Atın

Egzersiz talimatları

Aktivasyon fonksiyonları dizisini relu, leaky_relu, sigmoid ve tanh ile doldur.
Her yinelemede, geçerli aktivasyon fonksiyonunu parametre olarak vererek get_model() ile yeni bir model al.
Modelini eğitim ve validation_data sağlayarak eğit; 20 epochs kullan ve verbose değerini 0 yap.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Activation functions to try
activations = [____, ____, ____, ____]

# Loop over the activation functions
activation_results = {}

for act in activations:
  # Get a new model with the current activation
  model = ____
  # Fit the model and store the history results
  h_callback = ____
  activation_results[act] = h_callback

Kodu Düzenle ve Çalıştır

Bu egzersiz, kursun bir parçasıdır

Keras ile Deep Learning'e Giriş

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başla

Bu ilk bölümde sinir ağlarıyla tanışacak, hangi tür problemleri çözebildiklerini ve ne zaman kullanılmaları gerektiğini anlayacaksın. Ayrıca birkaç ağ kuracak ve bize yaklaşan bir gök taşının yörüngesini yaklaşık olarak modelleyen bir regresyon modeli eğiterek dünyayı kurtaracaksın!

Exercise 1: Keras nedir?Exercise 2: Keras'ı tanımlama Exercise 3: Deep learning kullanır mıydın?Exercise 4: İlk sinir ağın Exercise 5: Merhaba ağlar!Exercise 6: Parametreleri sayma Exercise 7: Aynısını inşa et!Exercise 8: Bir meteor çarpmasından sağ çıkmak Exercise 9: Bir model belirtme Exercise 10: Eğitim Exercise 11: Yörüngeyi tahmin et!

Bu bölümün sonunda sinir ağlarıyla ikili, çok sınıflı ve çok etiketli problemleri nasıl çözeceğini bileceksin. Bunu da sahte dolarları tespit etmek, bir tahtaya kimin hangi dartı attığına karar vermek ve tarlanı sulamak için akıllı bir sistem kurmak gibi problemleri çözerek yapacaksın. Ayrıca model eğitim metriklerini çizmeyi, iyileşme durduğunda eğitimi durdurup modellerini kaydetmeyi de yapabileceksin.

Exercise 1: İkili sınıflandırma Exercise 2: Dolar banknotlarını keşfet Exercise 3: İkili sınıflandırma modeli Exercise 4: Bu dolar sahte mi?Exercise 5: Çok sınıflı sınıflandırma Exercise 6: Çok sınıflı bir model Exercise 7: Veri kümeni hazırlama Exercise 8: Dart atanları eğitme Exercise 9: Softmax tahminleri Exercise 10: Çok etiketli sınıflandırma Exercise 11: Bir sulama makinesi Exercise 12: Birden çok etiketle eğitim Exercise 13: Keras geri çağırımları Exercise 14: History geri çağırımı Exercise 15: Modelini erken durdurma Exercise 16: Callback'lerin bir kombinasyonu

Önceki bölümlerde pek çok model eğittin! Şimdi, modellerin eğitilirken onları anlamak için öğrenme eğrilerini nasıl yorumlayacağını öğreneceksin. Ayrıca aktivasyon fonksiyonlarının, batch boyutlarının ve batch-normalization’ın etkilerini görselleştireceksin. Son olarak, sklearn kullanarak Keras modellerinde otomatik hiperparametre optimizasyonu yapmayı öğreneceksin.

Exercise 1: Öğrenme eğrileri Exercise 2: Rakamları öğrenmek Exercise 3: Model aşırı öğreniyor mu?Exercise 4: Daha fazla veriye ihtiyacımız var mı?Exercise 5: Aktivasyon fonksiyonları Exercise 6: Farklı aktivasyon fonksiyonları Exercise 7: Aktivasyon fonksiyonlarını karşılaştırma

Geçerli egzersiz

Exercise 8: Aktivasyon fonksiyonlarını karşılaştırma II Exercise 9: Yığın boyutu ve yığın normalleştirme Exercise 10: Batch boyutlarını değiştirmek Exercise 11: Tanıdık bir modeli batch normalize etme Exercise 12: Batch normalization etkileri Exercise 13: Hiperparametre ayarlama Exercise 14: Ayarlamaya uygun bir model hazırlama Exercise 15: Model parametrelerini ayarlama Exercise 16: Çapraz doğrulama ile eğitim

Daha ileri mimarilerle tanışma zamanı! Gürültülü görüntüleri yeniden oluşturmak için bir otomatik kodlayıcı (autoencoder) oluşturacak, evrişimsel sinir ağı aktivasyonlarını görselleştirecek, derin önceden eğitilmiş modelleri kullanarak görüntüleri sınıflandıracak ve bir cümledeki bir sonraki kelimeyi tahmin eden bir ağ kurarken yinelenen sinir ağları ve metinle çalışmaya dair daha fazla şey öğreneceksin.

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