SlideShare ist ein Scribd-Unternehmen logo

Slideshare TensorFlow Grundlagen

•Als PPTX, PDF herunterladen•
•
Datamics
Datamics

Slides zu dem Udemy TensorFlow Kurs von Dr. Renè Brunner

Bildung
1 von 42
TensorFlow Grundlagen Einführung
by Datamics, 2018 Übersicht In diesem Kapitel werden wir unser Wissen über das TensorFlow Framework und die Herangehensweise an Neuronale Netzwerke vertiefen. Du wirst einige Parallelen zu unserer einfachen Implementation bemerken. TensorFlow Grundlagen
by Datamics, 2018 Inhalt • TensorFlow Basics • TF Basis Syntax • TF Graphen • TF Variablen • TF Platzhalter • TensorFlow Neuronale Netzwerke TensorFlow Grundlagen
by Datamics, 2018 Inhalt • TensorFlow Regression (Live Coding) • TensorFlow Klassifikation (Live Coding) • Regression Übung • Lösung • Klassifikation Übung • Lösung TensorFlow Grundlagen
Los geht‘s! TensorFlow Basic
TensorFlow Grundlegende Syntax
TensorFlow Graphen
by Datamics, 2018 Übersicht • Graphen sind Gruppen von Verknüpfungen (eng: vertices = Scheitelpunkte) • Diese Verknüpfungen heißen „edges“ • In TensorFlow ist jede Verknüpfung eine Operation mit möglichen Inputs die einen Output liefert. TensorFlow Graphen
by Datamics, 2018 Inhalt • Wir werden mit TensorFlow einen Graphen erstellen und ihn dann ausführen. • Lasst uns dafür einige einfach Beispiele in Python anschauen • Wir werden auch durchgehen wie TensorFlow einen Standard Graphen verwendet TensorFlow Graphen
by Datamics, 2018 Beispiel • Wir beginnen damit diesen Graph zu erstellen: TensorFlow Graphen n1 n2 n3 Konstante Konstante Add 3 1 2
TensorFlow Variablen und Platzhalter
by Datamics, 2018 Tensor Objekte • Es gibt bei Tensor-Objekten in einem Graph zwei Hauptformen • Variablen • Platzhalter TensorFlow Variablen und Platzhalter
by Datamics, 2018 Variablen • TensorFlow verfeinert die Parameter des Modells während der Optimierungsphase des Prozesses • Variablen können während der gesamten Sitzung die Werte von Gewichten (weigths) und Neigungen (biases) erhalten. • Variablen müssen initialisiert werden TensorFlow Variablen und Platzhalter
by Datamics, 2018 Platzhalter • Platzhalter sind zu Beginn leer und werden dann dazu verwendet mit konkreten Trainingsdaten befüllt zu werden • Platzhalter benötigen jedoch einen erwarteten, deklarierten Datentypen (tf.float32) mit einem optionalen „shape“ Argument. TensorFlow Variablen und Platzhalter
by Datamics, 2018 Inhalt • Lasst uns nun ein paar Beispiele anschauen. • Wenn wir dann die Beispiele verstanden haben werden wir unser erstes Modell mit TensorFlow bauen. TensorFlow Variablen und Platzhalter
Das erste TensorFlow Neuronale Netzwerk
by Datamics, 2018 Übersicht • Wir haben bereits Sessions, Variablen und Platzhalter kennengelernt • Mit diesen Bausteinen können wir unser erstes Neuron bauen! • Wir werden ein Neuron bauen, dass einen einfachen linearen Fit mit 2-D Daten ausführt TensorFlow Neuronale Netzwerk
by Datamics, 2018 Nächsten Schritte • Das sind unsere Schritte: • Einen Graph bauen • Die Session initiieren • Daten einlesen und einen Output erzeugen • Wir werden das bereits gelernte Wissen für diese Aufgabe anwenden. TensorFlow Neuronale Netzwerk
by Datamics, 2018 Graph • Wie sieht der Graph von wx+b=z aus? TensorFlow Neuronale Netzwerk W tf.matmul() Variable X tf.add() Activation Function Platzhalter Operation Operation b Variable
by Datamics, 2018 Deep Learning • Danach kannst du die kosten Funktion hinzufügen um dein Modell zu trainieren um die Parameter zu optimieren. • Lasst uns dieses Neurale Netzwerk bauen! TensorFlow Neuronale Netzwerk
Das erste TensorFlow Neuronale Netzwerk Teil 2
Das erste TensorFlow Neuronale Netzwerk Teil 3
TensorFlow Regression Beispiel
by Datamics, 2018 Regressionsbeispiel • Lasst uns nun ein realistischeres Beispiel der Regression machen und dabei die tf.estimator Funktion kennenlernen! TensorFlow Regressionsbeispiel
TensorFlow Estimator API
by Datamics, 2018 Estimator API • Lasst uns nun die Estimator API von TensorFlow kennenlernen. • Es gibt noch einige API‘s mit höherem Level (Keras, TF Layers, etc). Diese werden jedoch erst später behandelt. TensorFlow Estimator API
by Datamics, 2018 Modelltypen • Die tf.estimator API hat verschiedenen Modelltypen die man auswählen kann • Lasst uns gleich die verschiedenen Optionen anschauen. TensorFlow Estimator API
by Datamics, 2018 Modelltypen • Hier die verschiedenen tf.estimator Typen: • tf.estimator.DNNClassifier: Erstellt ein Neurales Netzwerk mit einem Klassifikationsmodell • tf.estimator.DNNRegressor: Erstellt ein Neuronales Netzwerk mit einem Regressionsmodell TensorFlow Estimator API
by Datamics, 2018 Modelltypen • Hier die verschiedenen tf.estimator Typen: • tf.estimator.DNNLinearCombinedClassifier: Erstellt ein Neurales Netzwerk und ein linear kombiniertes Klassifikationsmodell • tf.estimator.DNNLinearCombinedRegressor: • Erstellt ein Neurales Netzwerk und ein linear kombiniertes Regressionsmodell TensorFlow Estimator API
by Datamics, 2018 Nächsten Schritte • Um die Estimator API zu verwenden gehen wir wie folgt vor: • Definiere eine Liste der Feature-Spalten • Erstelle ein Modell mit dem Estimator • Erstelle eine Funktion für die Dateneingabe • Rufe zuletzt die train, evaluate und predict Methoden des Estimator-Objektes auf. TensorFlow Estimator API
TensorFlow Estimator API Teil2
TensorFlow Klassifikation
by Datamics, 2018 Klassifikation • Pima Indians Diabetes Datensatz • tf.estimator API • Kategorische und numerische Features • LinearClassifier und DNNClassifier • Lasst uns loslegen! TensorFlow Klassifikation
TensorFlow Klassifikation Teil 2
TensorFlow Klassifikation Teil 2
TensorFlow Regression Übungsaufgabe
by Datamics, 2018 TensorFlow Übungsaufgabe • Jetzt wird es Zeit um unsere neuen Kenntnisse zu testen! • Du wirst jetzt ein Model erzeugen um Hauspreise vorherzusagen • Dabei verwenden wir die tf.estimator API • Lasst uns dazu das Notebook anschauen • Optional: wechsle zu den Lösungen und mach diese wie eine Programmierlektion mit TensorFlow Regression
TensorFlow Regression Lösungen
TensorFlow Klassifikation Übungsaufgabe
TensorFlow Klassifikation Lösungen
Speichern und Laden von Modellen
by Datamics, 2018 Verwende den Gutschein „SLIDESHARE2018“ auf Udemy oder die Shortlinks und erhalte unsere Kurse für nur 10,99€ (95% Rabatt). Deep Learning Grundlagen mit TensorFlow und Python https://goo.gl/FqNoAe Python für Data Science und Machine Learning: https://goo.gl/cE7TQ3 Original Python Bootcamp - Von 0 auf 100: https://goo.gl/gjn7pX R für Data Science und Machine Learning: https://goo.gl/8h5tH7 Exklusive Gutscheine Udemy-Kurse by Datamics, 2018https://www.udemy.com/user/rene-brunner/

Empfohlen

Slideshare AutoEncoder
Slideshare AutoEncoderSlideshare AutoEncoder
Slideshare AutoEncoder
Datamics
 
Python Bootcamp - Grundlagen
Python Bootcamp - GrundlagenPython Bootcamp - Grundlagen
Python Bootcamp - Grundlagen
Datamics
 
Slideshare Recurrent Neural Networks (RNN)
Slideshare Recurrent Neural Networks (RNN)Slideshare Recurrent Neural Networks (RNN)
Slideshare Recurrent Neural Networks (RNN)
Datamics
 
R für Data Science und Machine Learning
R für Data Science und Machine LearningR für Data Science und Machine Learning
R für Data Science und Machine Learning
Datamics
 
Slideshare reinforcement learning
Slideshare reinforcement learningSlideshare reinforcement learning
Slideshare reinforcement learning
Datamics
 
Python Installationen für Data Science
Python Installationen für Data SciencePython Installationen für Data Science
Python Installationen für Data Science
Datamics
 
Machine Learning mit Python
Machine Learning mit PythonMachine Learning mit Python
Machine Learning mit Python
Datamics
 
Slideshare GAN
Slideshare GANSlideshare GAN
Slideshare GAN
Datamics
 

Empfohlen

Slideshare AutoEncoder
Slideshare AutoEncoderSlideshare AutoEncoder
Slideshare AutoEncoder
Datamics
 
Python Bootcamp - Grundlagen
Python Bootcamp - GrundlagenPython Bootcamp - Grundlagen
Python Bootcamp - Grundlagen
Datamics
 
Slideshare Recurrent Neural Networks (RNN)
Slideshare Recurrent Neural Networks (RNN)Slideshare Recurrent Neural Networks (RNN)
Slideshare Recurrent Neural Networks (RNN)
Datamics
 
R für Data Science und Machine Learning
R für Data Science und Machine LearningR für Data Science und Machine Learning
R für Data Science und Machine Learning
Datamics
 
Slideshare reinforcement learning
Slideshare reinforcement learningSlideshare reinforcement learning
Slideshare reinforcement learning
Datamics
 
Python Installationen für Data Science
Python Installationen für Data SciencePython Installationen für Data Science
Python Installationen für Data Science
Datamics
 
Machine Learning mit Python
Machine Learning mit PythonMachine Learning mit Python
Machine Learning mit Python
Datamics
 
Slideshare GAN
Slideshare GANSlideshare GAN
Slideshare GAN
Datamics
 
MongoDB: Entwurfsmuster für das NoSQL-Schema-Design
MongoDB: Entwurfsmuster für das NoSQL-Schema-DesignMongoDB: Entwurfsmuster für das NoSQL-Schema-Design
MongoDB: Entwurfsmuster für das NoSQL-Schema-Design
Gregor Biswanger
 
Expert system webinar 29.6.2017 cogito und deep learning
Expert system webinar 29.6.2017 cogito und deep learningExpert system webinar 29.6.2017 cogito und deep learning
Expert system webinar 29.6.2017 cogito und deep learning
Stefan Geißler
 
LINQ - Einheitlicher Datenzugriff in .NET
LINQ - Einheitlicher Datenzugriff in .NETLINQ - Einheitlicher Datenzugriff in .NET
LINQ - Einheitlicher Datenzugriff in .NET
GFU Cyrus AG
 
Python in Computational Neuroscience & Modular toolkit for Data Processing (MDP)
Python in Computational Neuroscience & Modular toolkit for Data Processing (MDP)Python in Computational Neuroscience & Modular toolkit for Data Processing (MDP)
Python in Computational Neuroscience & Modular toolkit for Data Processing (MDP)
nwilbert
 
Übersicht über die IoT Plattform im Freifunk SL-FL
Übersicht über die IoT Plattform im Freifunk SL-FLÜbersicht über die IoT Plattform im Freifunk SL-FL
Übersicht über die IoT Plattform im Freifunk SL-FL
Frank Radzio
 
FH Wedel - SS11 - Seminar - Marcus Riemer - LEDA
FH Wedel - SS11 - Seminar - Marcus Riemer - LEDAFH Wedel - SS11 - Seminar - Marcus Riemer - LEDA
FH Wedel - SS11 - Seminar - Marcus Riemer - LEDA
Marcus Riemer
 
DWX 2019 Session. Machine Learning in .NET
DWX 2019 Session. Machine Learning in .NETDWX 2019 Session. Machine Learning in .NET
DWX 2019 Session. Machine Learning in .NET
Mykola Dobrochynskyy
 
PLUX.NET – SOFTWAREKOMPOSITION DURCH PLUG & PLAY
PLUX.NET – SOFTWAREKOMPOSITION DURCH PLUG & PLAYPLUX.NET – SOFTWAREKOMPOSITION DURCH PLUG & PLAY
PLUX.NET – SOFTWAREKOMPOSITION DURCH PLUG & PLAY
Förderverein Technische Fakultät
 
Java Streams und Lambdas
Java Streams und LambdasJava Streams und Lambdas
Java Streams und Lambdas
Nane Kratzke
 
Entity Framework Core - Der Umstieg auf Core
Entity Framework Core - Der Umstieg auf CoreEntity Framework Core - Der Umstieg auf Core
Entity Framework Core - Der Umstieg auf Core
NETUserGroupBern
 
.NET Datenzugriff einfach und performant mit Micro O/R Mappern
.NET Datenzugriff einfach und performant mit Micro O/R Mappern .NET Datenzugriff einfach und performant mit Micro O/R Mappern
.NET Datenzugriff einfach und performant mit Micro O/R Mappern
André Krämer
 
Developer Best Practices (Robotic Enterprise Framework REF) – Anwendung und d...
Developer Best Practices (Robotic Enterprise Framework REF) – Anwendung und d...Developer Best Practices (Robotic Enterprise Framework REF) – Anwendung und d...
Developer Best Practices (Robotic Enterprise Framework REF) – Anwendung und d...
Cristina Vidu
 
Die Data Science Toolbox
Die Data Science ToolboxDie Data Science Toolbox
Die Data Science Toolbox
Datamics
 
Die Data Science Softskills
Die Data Science SoftskillsDie Data Science Softskills
Die Data Science Softskills
Datamics
 
Principal Component Analysis mit Python
Principal Component Analysis mit PythonPrincipal Component Analysis mit Python
Principal Component Analysis mit Python
Datamics
 
K Means mit Python
K Means mit PythonK Means mit Python
K Means mit Python
Datamics
 
Support Vector Machines mit Python
Support Vector Machines mit PythonSupport Vector Machines mit Python
Support Vector Machines mit Python
Datamics
 
Decision Trees und Random Forest mit Python
Decision Trees und Random Forest mit PythonDecision Trees und Random Forest mit Python
Decision Trees und Random Forest mit Python
Datamics
 
K Nearest Neighbors mit Python
K Nearest Neighbors mit PythonK Nearest Neighbors mit Python
K Nearest Neighbors mit Python
Datamics
 
Logistische Regression mit Python
Logistische Regression mit PythonLogistische Regression mit Python
Logistische Regression mit Python
Datamics
 
Verzerrung Varianz Dilemma
Verzerrung Varianz DilemmaVerzerrung Varianz Dilemma
Verzerrung Varianz Dilemma
Datamics
 
Lineare Regression mit Python
Lineare Regression mit PythonLineare Regression mit Python
Lineare Regression mit Python
Datamics
 

Weitere ähnliche Inhalte

Ähnlich wie Slideshare TensorFlow Grundlagen

LINQ - Einheitlicher Datenzugriff in .NET
LINQ - Einheitlicher Datenzugriff in .NETLINQ - Einheitlicher Datenzugriff in .NET
LINQ - Einheitlicher Datenzugriff in .NET
GFU Cyrus AG
 
Python in Computational Neuroscience & Modular toolkit for Data Processing (MDP)
Python in Computational Neuroscience & Modular toolkit for Data Processing (MDP)Python in Computational Neuroscience & Modular toolkit for Data Processing (MDP)
Python in Computational Neuroscience & Modular toolkit for Data Processing (MDP)
nwilbert
 
DWX 2019 Session. Machine Learning in .NET
DWX 2019 Session. Machine Learning in .NETDWX 2019 Session. Machine Learning in .NET
DWX 2019 Session. Machine Learning in .NET
Mykola Dobrochynskyy
 
.NET Datenzugriff einfach und performant mit Micro O/R Mappern
.NET Datenzugriff einfach und performant mit Micro O/R Mappern .NET Datenzugriff einfach und performant mit Micro O/R Mappern
.NET Datenzugriff einfach und performant mit Micro O/R Mappern
André Krämer
 

Ähnlich wie Slideshare TensorFlow Grundlagen (12)

MongoDB: Entwurfsmuster für das NoSQL-Schema-Design
MongoDB: Entwurfsmuster für das NoSQL-Schema-DesignMongoDB: Entwurfsmuster für das NoSQL-Schema-Design
MongoDB: Entwurfsmuster für das NoSQL-Schema-Design
 
Expert system webinar 29.6.2017 cogito und deep learning
Expert system webinar 29.6.2017 cogito und deep learningExpert system webinar 29.6.2017 cogito und deep learning
Expert system webinar 29.6.2017 cogito und deep learning
 
LINQ - Einheitlicher Datenzugriff in .NET
LINQ - Einheitlicher Datenzugriff in .NETLINQ - Einheitlicher Datenzugriff in .NET
LINQ - Einheitlicher Datenzugriff in .NET
 
Python in Computational Neuroscience & Modular toolkit for Data Processing (MDP)
Python in Computational Neuroscience & Modular toolkit for Data Processing (MDP)Python in Computational Neuroscience & Modular toolkit for Data Processing (MDP)
Python in Computational Neuroscience & Modular toolkit for Data Processing (MDP)
 
Übersicht über die IoT Plattform im Freifunk SL-FL
Übersicht über die IoT Plattform im Freifunk SL-FLÜbersicht über die IoT Plattform im Freifunk SL-FL
Übersicht über die IoT Plattform im Freifunk SL-FL
 
FH Wedel - SS11 - Seminar - Marcus Riemer - LEDA
FH Wedel - SS11 - Seminar - Marcus Riemer - LEDAFH Wedel - SS11 - Seminar - Marcus Riemer - LEDA
FH Wedel - SS11 - Seminar - Marcus Riemer - LEDA
 
DWX 2019 Session. Machine Learning in .NET
DWX 2019 Session. Machine Learning in .NETDWX 2019 Session. Machine Learning in .NET
DWX 2019 Session. Machine Learning in .NET
 
PLUX.NET – SOFTWAREKOMPOSITION DURCH PLUG & PLAY
PLUX.NET – SOFTWAREKOMPOSITION DURCH PLUG & PLAYPLUX.NET – SOFTWAREKOMPOSITION DURCH PLUG & PLAY
PLUX.NET – SOFTWAREKOMPOSITION DURCH PLUG & PLAY
 
Java Streams und Lambdas
Java Streams und LambdasJava Streams und Lambdas
Java Streams und Lambdas
 
Entity Framework Core - Der Umstieg auf Core
Entity Framework Core - Der Umstieg auf CoreEntity Framework Core - Der Umstieg auf Core
Entity Framework Core - Der Umstieg auf Core
 
.NET Datenzugriff einfach und performant mit Micro O/R Mappern
.NET Datenzugriff einfach und performant mit Micro O/R Mappern .NET Datenzugriff einfach und performant mit Micro O/R Mappern
.NET Datenzugriff einfach und performant mit Micro O/R Mappern
 
Developer Best Practices (Robotic Enterprise Framework REF) – Anwendung und d...
Developer Best Practices (Robotic Enterprise Framework REF) – Anwendung und d...Developer Best Practices (Robotic Enterprise Framework REF) – Anwendung und d...
Developer Best Practices (Robotic Enterprise Framework REF) – Anwendung und d...
 

Mehr von Datamics

Mehr von Datamics (10)

Die Data Science Toolbox
Die Data Science ToolboxDie Data Science Toolbox
Die Data Science Toolbox
 
Die Data Science Softskills
Die Data Science SoftskillsDie Data Science Softskills
Die Data Science Softskills
 
Principal Component Analysis mit Python
Principal Component Analysis mit PythonPrincipal Component Analysis mit Python
Principal Component Analysis mit Python
 
K Means mit Python
K Means mit PythonK Means mit Python
K Means mit Python
 
Support Vector Machines mit Python
Support Vector Machines mit PythonSupport Vector Machines mit Python
Support Vector Machines mit Python
 
Decision Trees und Random Forest mit Python
Decision Trees und Random Forest mit PythonDecision Trees und Random Forest mit Python
Decision Trees und Random Forest mit Python
 
K Nearest Neighbors mit Python
K Nearest Neighbors mit PythonK Nearest Neighbors mit Python
K Nearest Neighbors mit Python
 
Logistische Regression mit Python
Logistische Regression mit PythonLogistische Regression mit Python
Logistische Regression mit Python
 
Verzerrung Varianz Dilemma
Verzerrung Varianz DilemmaVerzerrung Varianz Dilemma
Verzerrung Varianz Dilemma
 
Lineare Regression mit Python
Lineare Regression mit PythonLineare Regression mit Python
Lineare Regression mit Python
 

Kürzlich hochgeladen

1029-Danh muc Sach Giao Khoa khoi 12.pdf
1029-Danh muc Sach Giao Khoa khoi 12.pdf1029-Danh muc Sach Giao Khoa khoi 12.pdf
1029-Danh muc Sach Giao Khoa khoi 12.pdf
QucHHunhnh
 
1029-Danh muc Sach Giao Khoa khoi 11.pdf
1029-Danh muc Sach Giao Khoa khoi 11.pdf1029-Danh muc Sach Giao Khoa khoi 11.pdf
1029-Danh muc Sach Giao Khoa khoi 11.pdf
QucHHunhnh
 

Kürzlich hochgeladen (7)

LAKO Kreativpreis_2024_Startnummer_02_(LFS_LA).pdf
LAKO Kreativpreis_2024_Startnummer_02_(LFS_LA).pdfLAKO Kreativpreis_2024_Startnummer_02_(LFS_LA).pdf
LAKO Kreativpreis_2024_Startnummer_02_(LFS_LA).pdf
 
Angewandte Kognitions- und Medienwissenschaft an der Universität Duisburg_Essen
Angewandte Kognitions- und Medienwissenschaft an der Universität Duisburg_EssenAngewandte Kognitions- und Medienwissenschaft an der Universität Duisburg_Essen
Angewandte Kognitions- und Medienwissenschaft an der Universität Duisburg_Essen
 
Angewandte Philosophie an der Universität Duisburg-Essen.
Angewandte Philosophie an der Universität Duisburg-Essen.Angewandte Philosophie an der Universität Duisburg-Essen.
Angewandte Philosophie an der Universität Duisburg-Essen.
 
Welche KI-Kompetenzen brauchen Lehrpersonen?!
Welche KI-Kompetenzen brauchen Lehrpersonen?!Welche KI-Kompetenzen brauchen Lehrpersonen?!
Welche KI-Kompetenzen brauchen Lehrpersonen?!
 
1029-Danh muc Sach Giao Khoa khoi 12.pdf
1029-Danh muc Sach Giao Khoa khoi 12.pdf1029-Danh muc Sach Giao Khoa khoi 12.pdf
1029-Danh muc Sach Giao Khoa khoi 12.pdf
 
Wirtschaftsingenieurwesen an der Universität Duisburg-Essen
Wirtschaftsingenieurwesen an der Universität Duisburg-EssenWirtschaftsingenieurwesen an der Universität Duisburg-Essen
Wirtschaftsingenieurwesen an der Universität Duisburg-Essen
 
1029-Danh muc Sach Giao Khoa khoi 11.pdf
1029-Danh muc Sach Giao Khoa khoi 11.pdf1029-Danh muc Sach Giao Khoa khoi 11.pdf
1029-Danh muc Sach Giao Khoa khoi 11.pdf
 

Slideshare TensorFlow Grundlagen

  • 2. by Datamics, 2018 Übersicht In diesem Kapitel werden wir unser Wissen über das TensorFlow Framework und die Herangehensweise an Neuronale Netzwerke vertiefen. Du wirst einige Parallelen zu unserer einfachen Implementation bemerken. TensorFlow Grundlagen
  • 3. by Datamics, 2018 Inhalt • TensorFlow Basics • TF Basis Syntax • TF Graphen • TF Variablen • TF Platzhalter • TensorFlow Neuronale Netzwerke TensorFlow Grundlagen
  • 4. by Datamics, 2018 Inhalt • TensorFlow Regression (Live Coding) • TensorFlow Klassifikation (Live Coding) • Regression Übung • Lösung • Klassifikation Übung • Lösung TensorFlow Grundlagen
  • 8. by Datamics, 2018 Übersicht • Graphen sind Gruppen von Verknüpfungen (eng: vertices = Scheitelpunkte) • Diese Verknüpfungen heißen „edges“ • In TensorFlow ist jede Verknüpfung eine Operation mit möglichen Inputs die einen Output liefert. TensorFlow Graphen
  • 9. by Datamics, 2018 Inhalt • Wir werden mit TensorFlow einen Graphen erstellen und ihn dann ausführen. • Lasst uns dafür einige einfach Beispiele in Python anschauen • Wir werden auch durchgehen wie TensorFlow einen Standard Graphen verwendet TensorFlow Graphen
  • 10. by Datamics, 2018 Beispiel • Wir beginnen damit diesen Graph zu erstellen: TensorFlow Graphen n1 n2 n3 Konstante Konstante Add 3 1 2
  • 12. by Datamics, 2018 Tensor Objekte • Es gibt bei Tensor-Objekten in einem Graph zwei Hauptformen • Variablen • Platzhalter TensorFlow Variablen und Platzhalter
  • 13. by Datamics, 2018 Variablen • TensorFlow verfeinert die Parameter des Modells während der Optimierungsphase des Prozesses • Variablen können während der gesamten Sitzung die Werte von Gewichten (weigths) und Neigungen (biases) erhalten. • Variablen müssen initialisiert werden TensorFlow Variablen und Platzhalter
  • 14. by Datamics, 2018 Platzhalter • Platzhalter sind zu Beginn leer und werden dann dazu verwendet mit konkreten Trainingsdaten befüllt zu werden • Platzhalter benötigen jedoch einen erwarteten, deklarierten Datentypen (tf.float32) mit einem optionalen „shape“ Argument. TensorFlow Variablen und Platzhalter
  • 15. by Datamics, 2018 Inhalt • Lasst uns nun ein paar Beispiele anschauen. • Wenn wir dann die Beispiele verstanden haben werden wir unser erstes Modell mit TensorFlow bauen. TensorFlow Variablen und Platzhalter
  • 17. by Datamics, 2018 Übersicht • Wir haben bereits Sessions, Variablen und Platzhalter kennengelernt • Mit diesen Bausteinen können wir unser erstes Neuron bauen! • Wir werden ein Neuron bauen, dass einen einfachen linearen Fit mit 2-D Daten ausführt TensorFlow Neuronale Netzwerk
  • 18. by Datamics, 2018 Nächsten Schritte • Das sind unsere Schritte: • Einen Graph bauen • Die Session initiieren • Daten einlesen und einen Output erzeugen • Wir werden das bereits gelernte Wissen für diese Aufgabe anwenden. TensorFlow Neuronale Netzwerk
  • 19. by Datamics, 2018 Graph • Wie sieht der Graph von wx+b=z aus? TensorFlow Neuronale Netzwerk W tf.matmul() Variable X tf.add() Activation Function Platzhalter Operation Operation b Variable
  • 20. by Datamics, 2018 Deep Learning • Danach kannst du die kosten Funktion hinzufügen um dein Modell zu trainieren um die Parameter zu optimieren. • Lasst uns dieses Neurale Netzwerk bauen! TensorFlow Neuronale Netzwerk
  • 24. by Datamics, 2018 Regressionsbeispiel • Lasst uns nun ein realistischeres Beispiel der Regression machen und dabei die tf.estimator Funktion kennenlernen! TensorFlow Regressionsbeispiel
  • 26. by Datamics, 2018 Estimator API • Lasst uns nun die Estimator API von TensorFlow kennenlernen. • Es gibt noch einige API‘s mit höherem Level (Keras, TF Layers, etc). Diese werden jedoch erst später behandelt. TensorFlow Estimator API
  • 27. by Datamics, 2018 Modelltypen • Die tf.estimator API hat verschiedenen Modelltypen die man auswählen kann • Lasst uns gleich die verschiedenen Optionen anschauen. TensorFlow Estimator API
  • 28. by Datamics, 2018 Modelltypen • Hier die verschiedenen tf.estimator Typen: • tf.estimator.DNNClassifier: Erstellt ein Neurales Netzwerk mit einem Klassifikationsmodell • tf.estimator.DNNRegressor: Erstellt ein Neuronales Netzwerk mit einem Regressionsmodell TensorFlow Estimator API
  • 29. by Datamics, 2018 Modelltypen • Hier die verschiedenen tf.estimator Typen: • tf.estimator.DNNLinearCombinedClassifier: Erstellt ein Neurales Netzwerk und ein linear kombiniertes Klassifikationsmodell • tf.estimator.DNNLinearCombinedRegressor: • Erstellt ein Neurales Netzwerk und ein linear kombiniertes Regressionsmodell TensorFlow Estimator API
  • 30. by Datamics, 2018 Nächsten Schritte • Um die Estimator API zu verwenden gehen wir wie folgt vor: • Definiere eine Liste der Feature-Spalten • Erstelle ein Modell mit dem Estimator • Erstelle eine Funktion für die Dateneingabe • Rufe zuletzt die train, evaluate und predict Methoden des Estimator-Objektes auf. TensorFlow Estimator API
  • 33. by Datamics, 2018 Klassifikation • Pima Indians Diabetes Datensatz • tf.estimator API • Kategorische und numerische Features • LinearClassifier und DNNClassifier • Lasst uns loslegen! TensorFlow Klassifikation
  • 37. by Datamics, 2018 TensorFlow Übungsaufgabe • Jetzt wird es Zeit um unsere neuen Kenntnisse zu testen! • Du wirst jetzt ein Model erzeugen um Hauspreise vorherzusagen • Dabei verwenden wir die tf.estimator API • Lasst uns dazu das Notebook anschauen • Optional: wechsle zu den Lösungen und mach diese wie eine Programmierlektion mit TensorFlow Regression
  • 42. by Datamics, 2018 Verwende den Gutschein „SLIDESHARE2018“ auf Udemy oder die Shortlinks und erhalte unsere Kurse für nur 10,99€ (95% Rabatt). Deep Learning Grundlagen mit TensorFlow und Python https://goo.gl/FqNoAe Python für Data Science und Machine Learning: https://goo.gl/cE7TQ3 Original Python Bootcamp - Von 0 auf 100: https://goo.gl/gjn7pX R für Data Science und Machine Learning: https://goo.gl/8h5tH7 Exklusive Gutscheine Udemy-Kurse by Datamics, 2018https://www.udemy.com/user/rene-brunner/