Kayıp fonksiyonunu değiştirme

Önceki egzersizde, bir tensorflow kayıp fonksiyonu tanımladın ve sonra bunu bir gerçek ve tahmin edilen değerler kümesi için bir kez değerlendirdin. Bu egzersizde, kaybı, önce verilerden ve değişkenlerden tahmin edilen değerler üreten loss_function() adlı başka bir fonksiyonun içinde hesaplayacaksın. Bunun amacı, eğitilebilir model değişkenlerinin bir fonksiyonunu oluşturup kaybı döndürmesini sağlamak. Böylece bu fonksiyonu, minimumu bulana kadar farklı değişken değerleri için tekrar tekrar değerlendirebilirsin. Pratikte, bu fonksiyonu tensorflow içindeki bir optimize ediciye ileteceksin. features ve targets'ın tanımlandığını ve kullanılabilir olduğunu unutma. Ayrıca Variable, float32 ve keras da hazır durumda.

Bu egzersiz

Python ile TensorFlow’a Giriş

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Başlangıç değeri 1.0 ve türü float32 olan bir değişken scalar tanımla.
loss_function() adlı bir fonksiyon tanımla; argümanları sırasıyla scalar, features ve targets olsun.
Ortalama mutlak hata kayıp fonksiyonunu kullan.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Initialize a variable named scalar
scalar = ____(1.0, ____)

# Define the model
def model(scalar, features = features):
  	return scalar * features

# Define a loss function
def loss_function(____, features = features, targets = targets):
	# Compute the predicted values
	predictions = model(scalar, features)
    
	# Return the mean absolute error loss
	return keras.losses.____(targets, predictions)

# Evaluate the loss function and print the loss
print(loss_function(scalar).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

Geçerli Egzersiz

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

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!