Doğrusal bir modeli bölümler halinde eğitme

Bu egzersizde, önceki egzersizde kaldığımız yerden devam ederek doğrusal regresyon modelini bölümler halinde eğiteceğiz. Bunu, veri kümesini partiler (batch) halinde ilerleyerek ve her adımın ardından modelin değişkenlerini, intercept ve slope değerlerini güncelleyerek yapacağız. Bu yaklaşım, belleğe sığmayacak kadar büyük veri kümeleriyle eğitmemize olanak tanır.

loss_function(intercept, slope, targets, features) kayıp fonksiyonunun senin için tanımlandığını unutma. Ayrıca, keras içe aktarılmış durumda ve numpy np takma adıyla kullanılabilir. Eğitilebilir değişkenler, kayıp fonksiyonundaki argümanlarda göründükleri sırayla var_list içine girilmelidir.

Bu egzersiz

Python ile TensorFlow’a Giriş

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

.Adam() eniyileyicisini kullan.
Verileri 'kc_house_data.csv' dosyasından chunksize 100 olacak şekilde partiler halinde yükle.
batch içinden price sütununu çıkar, 32 bit kayan nokta türünde bir numpy dizisine çevir ve price_batch değişkenine ata.
Kayıp fonksiyonunu tamamla, eğitilebilir değişkenler listesini doldur ve en aza indirmeyi gerçekleştir.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Initialize Adam optimizer
opt = keras.optimizers.____

# Load data in batches
for batch in pd.read_csv('____', ____=____):
	size_batch = np.array(batch['sqft_lot'], np.float32)

	# Extract the price values for the current batch
	price_batch = np.array(batch['____'], np.____)

	# Complete the loss, fill in the variable list, and minimize
	opt.minimize(lambda: loss_function(____, slope, price_batch, size_batch), var_list=[intercept, ____])

# Print trained parameters
print(intercept.numpy(), slope.numpy())

Kodu Düzenle ve Çalıştır

Bu egzersiz

Python ile TensorFlow’a Giriş

kursunun bir parçasıdır

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

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: Constants and variables Exercise 2: Defining data as constants Exercise 3: Defining variables Exercise 4: Basic operations Exercise 5: Performing element-wise multiplication Exercise 6: Making predictions with matrix multiplication Exercise 7: Summing over tensor dimensions Exercise 8: Advanced operations Exercise 9: Reshaping tensors Exercise 10: Optimizing with gradients Exercise 11: Working with image data

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: Girdi verisi Exercise 2: pandas kullanarak veri yükleme Exercise 3: Veri türünü ayarlama Exercise 4: Kayıp fonksiyonları Exercise 5: TensorFlow'da kayıp fonksiyonları Exercise 6: Kayıp fonksiyonunu değiştirme Exercise 7: Doğrusal regresyon Exercise 8: Doğrusal regresyonu kur Exercise 9: Doğrusal bir modeli eğit Exercise 10: Çoklu doğrusal regresyon Exercise 11: Toplu eğitim Exercise 12: Toplu eğitim için hazırlık Exercise 13: Doğrusal bir modeli bölümler halinde eğitme

Geçerli Egzersiz

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!