Опис Keras

Яке з наведених тверджень про Keras є хибним?

Ця вправа є частиною курсу

Вступ до Deep Learning з Keras

Переглянути курс

Практична інтерактивна вправа

Перетворіть теорію на практику за допомогою однієї з наших інтерактивних вправ

Почати вправу

Ця вправа є частиною курсу

Вступ до Deep Learning з Keras

SkillTag.level.intermediateSkillTag.label

4.8+

133 reviews

Почніть курс безкоштовно

У цьому першому розділі ви познайомитеся з нейронними мережами, зрозумієте, які задачі вони можуть розв'язувати і коли їх варто застосовувати. Ви також збудуєте кілька мереж і «врятуєте Землю», натренувавши регресійну модель, що наближує орбіту метеора, який наближається до нас!

Exercise 1: Що таке Keras?Exercise 2: Опис Keras

Поточна вправа

Exercise 3: Чи варто використовувати глибоке навчання?Exercise 4: Ваша перша нейронна мережа Exercise 5: Вітаємо, мережі!Exercise 6: Підрахунок параметрів Exercise 7: Збудуйте, як показано!Exercise 8: Як пережити удар метеора Exercise 9: Задаємо модель Exercise 10: Навчання Exercise 11: Прогнозуємо орбіту!

Наприкінці цього розділу ви знатимете, як розв'язувати задачі бінарної, багатокласової та мульти міткової класифікації за допомогою нейронних мереж. Ви зробите це на прикладах: виявлення фальшивих доларових банкнот, визначення, хто кинув який дротик у мішень, і побудова розумної системи поливу для вашого господарства. Ви також зможете будувати графіки метрик під час навчання моделі, зупиняти тренування та зберігати моделі, коли вони більше не покращуються.

Exercise 1: Бінарна класифікація Exercise 2: Дослідження доларових банкнот Exercise 3: Модель бінарної класифікації Exercise 4: Ця банкнота фальшива?Exercise 5: Багатокласова класифікація Exercise 6: Багатокласова модель Exercise 7: Підготуйте свій набір даних Exercise 8: Навчання на метальниках дротиків Exercise 9: Прогнози softmax Exercise 10: Багатоміткова класифікація Exercise 11: Машина для зрошення Exercise 12: Навчання з кількома мітками Exercise 13: Зворотні виклики Keras Exercise 14: Callback history Exercise 15: Раннє зупинення моделі Exercise 16: Комбінація колбеків

У попередніх розділах ви натренували чимало моделей! Тепер ви навчитеся інтерпретувати криві навчання, щоб розуміти поведінку моделей під час тренування. Ви також візуалізуєте вплив функцій активації, розмірів пакета та batch normalization. Нарешті, ви опануєте автоматичну оптимізацію гіперпараметрів для моделей Keras за допомогою sklearn.

Exercise 1: Криві навчання Exercise 2: Вивчаємо рукописні цифри Exercise 3: Чи перенавчається модель?Exercise 4: Чи потрібно нам більше даних?Exercise 5: Функції активації Exercise 6: Різні функції активації Exercise 7: Порівняння функцій активації Exercise 8: Порівняння функцій активації II Exercise 9: Розмір пакета та пакетна нормалізація Exercise 10: Зміна розміру пакета Exercise 11: Пакетна нормалізація знайомої моделі Exercise 12: Ефекти пакетної нормалізації Exercise 13: Налаштування гіперпараметрів Exercise 14: Підготовка моделі до налаштування Exercise 15: Налаштування параметрів моделі Exercise 16: Тренування з перехресною перевіркою

Час познайомитися з більш просунутими архітектурами! Ви створите автоенкодер для відновлення зашумлених зображень, візуалізуєте активації згорткових нейронних мереж, використаєте глибокі попередньо натреновані моделі для класифікації зображень і дізнаєтеся більше про рекурентні нейронні мережі та роботу з текстом, створюючи мережу, що прогнозує наступне слово в реченні.

Exercise 1: Тензори, шари та автоенкодери Exercise 2: Потік тензорів Exercise 3: Нейронне розділення Exercise 4: Створення автокодувальника Exercise 5: Пониження шуму як в автоенкодері Exercise 6: Вступ до CNN Exercise 7: Побудова моделі CNN Exercise 8: Розглядаємо згортки Exercise 9: Підготовка вхідного зображення Exercise 10: Використання реальної моделі Exercise 11: Вступ до LSTM Exercise 12: Прогнозування тексту за допомогою LSTM Exercise 13: Побудуйте свою модель LSTM Exercise 14: Декодуйте свої передбачення Exercise 15: Протестуйте вашу модель!Exercise 16: Готово!