Yerel minimadan kaçınma

Önceki soruda yerel minimaya takılmanın ne kadar kolay olduğunu gördün. Tek değişkenli basit bir optimizasyon problemimiz vardı ve önce yerel minimadan geçmemiz gerektiğinde, gradyan inişi yine de küresel minimumu bulmayı başaramadı. Bu sorunu aşmanın bir yolu, optimize edicinin yerel minimayı aşmasını sağlayan momentum kullanmaktır. Yine önceki sorudaki ve senin için loss_function() olarak tanımlanıp hazır bulunan kayıp fonksiyonunu kullanacağız.

Grafik, birden fazla yerel minimum ve bir küresel minimum içeren tek değişkenli bir fonksiyona aittir.

tensorflow içindeki birkaç optimize edicide, SGD ve RMSprop dahil, momentum parametresi bulunur. Bu egzersizde RMSprop kullanacaksın. Dikkat et, bu kez x_1 ve x_2 aynı değere başlatıldı. Ayrıca keras.optimizers.RMSprop() da senin için tensorflowdan içe aktarıldı.

Bu egzersiz

Python ile TensorFlow’a Giriş

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

opt_1 işlemini öğrenme oranı 0.01 ve momentum 0.99 kullanacak şekilde ayarla.
opt_2yi, öğrenme oranı 0.01 ve momentum 0.00 olan RMS (root mean square propagation) optimize edicisini kullanacak şekilde ayarla.
opt_2 için minimizasyon işlemini tanımla.
x_1 ve x_2yi numpy dizileri olarak yazdır.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Initialize x_1 and x_2
x_1 = Variable(0.05,float32)
x_2 = Variable(0.05,float32)

# Define the optimization operation for opt_1 and opt_2
opt_1 = keras.optimizers.RMSprop(learning_rate=____, momentum=____)
opt_2 = ____

for j in range(100):
	opt_1.minimize(lambda: loss_function(x_1), var_list=[x_1])
    # Define the minimization operation for opt_2
	____

# Print x_1 and x_2 as numpy arrays
print(____, ____)

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: 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: Yoğun katmanlar Exercise 2: Yoğun katmanların lineer cebiri Exercise 3: Birden çok örnekle düşük seviyeli yaklaşım Exercise 4: Yoğun katman işlemini kullanma Exercise 5: Aktivasyon fonksiyonları Exercise 6: İkili sınıflandırma problemleri Exercise 7: Çok sınıflı sınıflandırma problemleri Exercise 8: Optimize Ediciler Exercise 9: Yerel minimumların tehlikeleri Exercise 10: Yerel minimadan kaçınma

Geçerli Egzersiz

Exercise 11: TensorFlow'da bir ağı eğitme Exercise 12: TensorFlow'da Başlatma Exercise 13: Modeli ve kayıp fonksiyonunu tanımlama Exercise 14: TensorFlow ile sinir ağlarını eğitme

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!