Tensörleri yeniden şekillendirme

Kursun ilerleyen kısımlarında, bir sinir ağı kullanarak işaret dili harflerinin görüntülerini sınıflandıracaksın. Bazı durumlarda ağ, girdi olarak 1 boyutlu tensörler alacak; ancak verilerin görüntü şeklinde gelecek ve gri tonlamalı mı yoksa renkli mi olduğuna bağlı olarak 2 veya 3 boyutlu tensörler olacak.

Aşağıdaki görsel, işaret dili A harfinin gri tonlamalı ve renkli görüntülerini gösteriyor. İki görüntü senin için içe aktarıldı ve sırasıyla gray_tensor ve color_tensor adlı numpy dizilerine dönüştürüldü. Bu dizileri, tensorflow içinden senin için içe aktarılan reshape işlemini kullanarak 1 boyutlu vektörlere dönüştür. gray_tensor şeklinin 28x28 ve color_tensor şeklinin 28x28x3 olduğunu unutma.

This figure shows grayscale and color images of the sign language letter "A".

Bu egzersiz, kursun bir parçasıdır

Python ile TensorFlow’a Giriş

Kursa Göz Atın

Egzersiz talimatları

gray_tensor'ı 28x28 bir matristen 784x1 boyutlarında gray_vector adlı bir vektöre dönüştür.
color_tensor'ı 28x28x3 bir tensörden 2352x1 boyutlarında color_vector adlı bir vektöre dönüştür.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Reshape the grayscale image tensor into a vector
gray_vector = reshape(____, (____, 1))

# Reshape the color image tensor into a vector
color_vector = reshape(____, (____, ____))

Kodu Düzenle ve Çalıştır

Bu egzersiz, kursun bir parçasıdır

Python ile TensorFlow’a Giriş

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başla

Before you can build advanced models in TensorFlow 2, you will first need to understand the basics. In this chapter, you’ll learn how to define constants and variables, perform tensor addition and multiplication, and compute derivatives. Knowledge of linear algebra will be helpful, but not necessary.

Exercise 1: Sabitler ve değişkenler Exercise 2: Veriyi sabitler olarak tanımlama Exercise 3: Değişken tanımlama Exercise 4: Temel işlemler Exercise 5: Eleman düzeyinde çarpma yapmak Exercise 6: Matris çarpımıyla tahmin yapmak Exercise 7: Tensör boyutları boyunca toplama Exercise 8: Gelişmiş işlemler Exercise 9: Tensörleri yeniden şekillendirme

Geçerli egzersiz

Exercise 10: Gradyanlarla optimize etme Exercise 11: Görüntü verileriyle çalışma

In this chapter, you will learn how to build, solve, and make predictions with models in TensorFlow 2. You will focus on a simple class of models – the linear regression model – and will try to predict housing prices. By the end of the chapter, you will know how to load and manipulate data, construct loss functions, perform minimization, make predictions, and reduce resource use with batch training.

Exercise 1: Input data Exercise 2: Load data using pandas Exercise 3: Setting the data type Exercise 4: Loss functions Exercise 5: Loss functions in TensorFlow Exercise 6: Modifying the loss function Exercise 7: Linear regression Exercise 8: Set up a linear regression Exercise 9: Train a linear model Exercise 10: Multiple linear regression Exercise 11: Batch training Exercise 12: Preparing to batch train Exercise 13: Training a linear model in batches

The previous chapters taught you how to build models in TensorFlow 2. In this chapter, you will apply those same tools to build, train, and make predictions with neural networks. You will learn how to define dense layers, apply activation functions, select an optimizer, and apply regularization to reduce overfitting. You will take advantage of TensorFlow's flexibility by using both low-level linear algebra and high-level Keras API operations to define and train models.

Exercise 1: Dense layers Exercise 2: The linear algebra of dense layers Exercise 3: The low-level approach with multiple examples Exercise 4: Using the dense layer operation Exercise 5: Activation functions Exercise 6: Binary classification problems Exercise 7: Multiclass classification problems Exercise 8: Optimizers Exercise 9: The dangers of local minima Exercise 10: Avoiding local minima Exercise 11: Training a network in TensorFlow Exercise 12: Initialization in TensorFlow Exercise 13: Defining the model and loss function Exercise 14: Training neural networks with TensorFlow

In the final chapter, you'll use high-level APIs in TensorFlow 2 to train a sign language letter classifier. You will use both the sequential and functional Keras APIs to train, validate, make predictions with, and evaluate models. You will also learn how to use the Estimators API to streamline the model definition and training process, and to avoid errors.

Exercise 1: Defining neural networks with Keras Exercise 2: The sequential model in Keras Exercise 3: Compiling a sequential model Exercise 4: Defining a multiple input model Exercise 5: Training and validation with Keras Exercise 6: Training with Keras Exercise 7: Metrics and validation with Keras Exercise 8: Overfitting detection Exercise 9: Evaluating models Exercise 10: Training models with the Estimators API Exercise 11: Preparing to train with Estimators Exercise 12: Defining Estimators Exercise 13: Congratulations!