Định nghĩa biến

Không giống như hằng số, giá trị của một biến có thể được thay đổi. Điều này hữu ích khi bạn muốn huấn luyện mô hình bằng cách cập nhật các tham số của nó.

Hãy thử định nghĩa và in ra một biến. Sau đó, bạn sẽ chuyển biến đó thành một mảng numpy, in lại và kiểm tra sự khác biệt. Lưu ý rằng Variable(), dùng để tạo một tensor biến, đã được nhập từ tensorflow và sẵn sàng sử dụng trong bài tập.

Bài tập này là một phần của khóa học

Nhập môn TensorFlow bằng Python

Xem khóa học

Hướng dẫn bài tập

Định nghĩa một biến A1 là tensor 1 chiều: [1, 2, 3, 4].
Áp dụng .numpy() lên A1 và gán kết quả cho B1.

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

# Define the 1-dimensional variable A1
A1 = ____([1, 2, 3, 4])

# Print the variable A1
print('\n A1: ', A1)

# Convert A1 to a numpy array and assign it to B1
B1 = ____

# Print B1
print('\n B1: ', B1)

Chỉnh sửa và Chạy Mã

Bài tập này là một phần của khóa học

Nhập môn TensorFlow bằng Python

SkillTag.level.intermediateSkillTag.label

4.8+

Bắt đầu khóa học miễn phí

Trước khi xây dựng các mô hình nâng cao trong TensorFlow 2, bạn cần nắm vững những điều cơ bản. Trong chương này, bạn sẽ học cách định nghĩa hằng số và biến, thực hiện phép cộng và nhân tensor, và tính đạo hàm. Kiến thức đại số tuyến tính sẽ hữu ích, nhưng không bắt buộc.

Exercise 1: Hằng số và biến số Exercise 2: Định nghĩa dữ liệu dưới dạng hằng số Exercise 3: Định nghĩa biến

Bài tập hiện tại

Exercise 4: Các phép toán cơ bản Exercise 5: Nhân theo phần tử (element-wise)Exercise 6: Tạo dự đoán bằng phép nhân ma trận Exercise 7: Cộng theo các chiều của tensor Exercise 8: Các phép toán nâng cao Exercise 9: Đổi hình dạng (reshape) các tensor Exercise 10: Tối ưu hóa với gradient Exercise 11: Làm việc với dữ liệu ảnh

Trong chương này, bạn sẽ học cách xây dựng, giải và dự đoán với các mô hình trong TensorFlow 2. Bạn sẽ tập trung vào một lớp mô hình đơn giản — mô hình hồi quy tuyến tính — và thử dự đoán giá nhà. Kết thúc chương, bạn sẽ biết cách nạp và xử lý dữ liệu, xây dựng hàm mất mát, thực hiện tối ưu hóa, tạo dự đoán, và giảm sử dụng tài nguyên với huấn luyện theo lô (batch).

Exercise 1: Dữ liệu đầu vào Exercise 2: Tải dữ liệu bằng pandas Exercise 3: Thiết lập kiểu dữ liệu Exercise 4: Hàm mất mát Exercise 5: Hàm mất mát trong TensorFlow Exercise 6: Chỉnh sửa hàm mất mát Exercise 7: Hồi quy tuyến tính Exercise 8: Thiết lập một hồi quy tuyến tính Exercise 9: Huấn luyện mô hình tuyến tính Exercise 10: Hồi quy tuyến tính đa biến Exercise 11: Huấn luyện theo lô Exercise 12: Chuẩn bị cho huấn luyện theo batch Exercise 13: Huấn luyện mô hình tuyến tính theo lô (batch)

Các chương trước đã hướng dẫn bạn cách xây dựng mô hình trong TensorFlow 2. Ở chương này, bạn sẽ áp dụng những công cụ đó để xây dựng, huấn luyện và dự đoán với mạng nơ-ron. Bạn sẽ học cách định nghĩa các lớp dày (dense), áp dụng hàm kích hoạt, chọn bộ tối ưu (optimizer), và dùng regularization để giảm overfitting. Bạn sẽ tận dụng tính linh hoạt của TensorFlow bằng cả phép toán đại số tuyến tính cấp thấp và các thao tác cấp cao của Keras API để định nghĩa và huấn luyện mô hình.

Exercise 1: Các tầng dày đặc Exercise 2: Đại số tuyến tính của các tầng dày đặc (dense)Exercise 3: Cách tiếp cận cấp thấp với nhiều ví dụ Exercise 4: Sử dụng phép toán dense layer Exercise 5: Hàm kích hoạt Exercise 6: Bài toán phân loại nhị phân Exercise 7: Bài toán phân loại đa lớp Exercise 8: Bộ tối ưu hóa Exercise 9: Những rủi ro của cực tiểu cục bộ Exercise 10: Tránh rơi vào điểm cực tiểu cục bộ Exercise 11: Huấn luyện một mạng trong TensorFlow Exercise 12: Khởi tạo trong TensorFlow Exercise 13: Định nghĩa mô hình và hàm mất mát Exercise 14: Huấn luyện mạng neural với TensorFlow

Ở chương cuối, bạn sẽ dùng các API cấp cao trong TensorFlow 2 để huấn luyện bộ phân loại chữ cái ngôn ngữ ký hiệu. Bạn sẽ sử dụng cả Keras API dạng tuần tự (sequential) và hàm (functional) để huấn luyện, xác thực, tạo dự đoán và đánh giá mô hình. Bạn cũng sẽ học cách dùng Estimators API để tinh gọn quá trình định nghĩa và huấn luyện mô hình, và hạn chế lỗi.

Exercise 1: Định nghĩa mạng neural với Keras Exercise 2: Mô hình sequential trong Keras Exercise 3: Biên dịch một mô hình tuần tự Exercise 4: Định nghĩa mô hình có nhiều đầu vào Exercise 5: Huấn luyện và xác thực với Keras Exercise 6: Huấn luyện với Keras Exercise 7: Metric và validation với Keras Exercise 8: Phát hiện overfitting Exercise 9: Đánh giá mô hình Exercise 10: Huấn luyện mô hình với Estimators API Exercise 11: Chuẩn bị huấn luyện với Estimators Exercise 12: Định nghĩa Estimator Exercise 13: Chúc mừng bạn!