Simone complimenti! Ma poi da quest'ultimo video non hai prodotto più nulla? I due corsi: "Teoria di Deep Learning" e "Reti Neurali e Deep Learning con TensorFlow" sono composti da 6 + 10 lezioni o continuano? Grazie.
Ciao simone non riesco a capire questa cosa , riesci a spiegarmi grazie in anticipo ! ax= axs[i// ncols,i% ncols] P.S: Un ultima cosa ma se io vorrei confrontare i risultati della 'predict' che salvo in y_pred, con i risultati della y come faccio ? In quanto la return è formato da 10 output ( che presumo sono i numero di neuroni ) ma come faccio a ritornare solo 5 ,1,6,7,8 cioè un numero cosi che lo posso confrontare con la y . Non dovrebbe gia la 'softmax' fare questo lavoro ? Grazie in anticipo sono alle prime armi !
Ciao, la y_pred contiene le 10 probabilità del layer di output per ogni singola immagine. Io ho fatto come segue per estrapolarmi i valori e confrontarli con la y, cioè con l'array dei valori reali: y_pred = model.predict(X)[0:10] # Prendo la predizione delle prime 10 immagini y_pred[4,] # Probabilità di ogni singolo neurone del layer di output per la quinta immagine [10 neuroni dove il primo neurone rappresenta 0, il secondo 1 e così via] y_pred_finale = [] for numero_immagine in range(10): y_pred_finale.append(np.where(y_pred[numero_immagine,] == y_pred[numero_immagine,].max())[0][0]) # Calcolo l'indice a cui si trova il valore massimo di probabilità che corrisponde al numero predetto np.array(y_pred_finale, dtype=np.uint8) # Valori predetti y[0:10] # Vedo i primi 10 valori effettivi
It's really fantastic and helpful vid. Keep grind.
grazie mille! potresti per favore spiegare come posso aggiungere qlc convolution-layer a questa rete?
Ciao! I video sulle CNN saranno pubblicati! :) in generale si fanno con "tf.keras.layers.conv2d"
Simone complimenti! Ma poi da quest'ultimo video non hai prodotto più nulla? I due corsi: "Teoria di Deep Learning" e "Reti Neurali e Deep Learning con TensorFlow" sono composti da 6 + 10 lezioni o continuano? Grazie.
ciao davvero una bella serie! quando pubblichi qualcosa sulle reti convoluzionali?
Ciao! work n progress!
Ciao simone non riesco a capire questa cosa , riesci a spiegarmi grazie in anticipo !
ax= axs[i// ncols,i% ncols]
P.S: Un ultima cosa ma se io vorrei confrontare i risultati della 'predict' che salvo in y_pred, con i risultati della y come faccio ?
In quanto la return è formato da 10 output ( che presumo sono i numero di neuroni ) ma come faccio a ritornare solo 5 ,1,6,7,8 cioè un numero cosi che lo posso confrontare con la y .
Non dovrebbe gia la 'softmax' fare questo lavoro ? Grazie in anticipo sono alle prime armi !
Ciao, la y_pred contiene le 10 probabilità del layer di output per ogni singola immagine. Io ho fatto come segue per estrapolarmi i valori e confrontarli con la y, cioè con l'array dei valori reali:
y_pred = model.predict(X)[0:10] # Prendo la predizione delle prime 10 immagini
y_pred[4,] # Probabilità di ogni singolo neurone del layer di output per la quinta immagine [10 neuroni dove il primo neurone rappresenta 0, il secondo 1 e così via]
y_pred_finale = []
for numero_immagine in range(10):
y_pred_finale.append(np.where(y_pred[numero_immagine,] == y_pred[numero_immagine,].max())[0][0]) # Calcolo l'indice a cui si trova il valore massimo di probabilità che corrisponde al numero predetto
np.array(y_pred_finale, dtype=np.uint8) # Valori predetti
y[0:10] # Vedo i primi 10 valori effettivi