2.5 Einführung zu TensorFlow/Keras

Bitte aktivieren Sie Javascript in Ihrem Browser!!

Menü

Dieses Video gehört zum openHPI-Kurs Praktische Einführung in Deep Learning für Computer Vision. Möchten Sie mehr sehen?

Schreiben Sie sich kostenlos ein

Beim Laden des Videoplayers ist ein Fehler aufgetreten, oder es dauert lange, bis er initialisiert wird. Sie können versuchen, Ihren Browser-Cache zu leeren. Bitte versuchen Sie es später noch einmal und wenden Sie sich an den Helpdesk, wenn das Problem weiterhin besteht.

Über dieses Video

Anmerkung Folie 6:
Es handelt sich hierbei natürlich um den Tensorflow/Keras Guide und nicht den Matplotlib Guide

Wie bereits auf den Folien versprochen, die Links zur weiterreichenden Dokumentation...

umfassende Dokumentation von Keras:
https://keras.io/

Oder:
https://www.pyimagesearch.com/2018/09/10/keras-tutorial-how-to-get-started-with-keras-deep-learning-and-python/

Ebenso findet ihr das besprochene Notebook als Download unter Lesematerialien zu diesem Video, auf unserem GitHub: https://github.com/into-ai/deeplearning2020 oder ihr öffnet es direkt in Colab unter: https://colab.research.google.com/drive/1f6NU11i6G4tG7MRvozpFDUdBC8pI8iyK

Zur Übersicht

Woche 1
- Willkommen in Woche 1
- 1.0 Teamvorstellung & Kursübersicht
- 1.1 Wochenüberblick
- 1.2 Motivation
- 1.2 Selbsttest Motivation
- 1.3.1 Funktionsweise des Gehirns (1)
- 1.3.1 Selbsttest Funktionsweise des Gehirns (1)
- 1.3.2 Funktionsweise des Gehirns (2)
- 1.3.2 Selbsttest Funktionsweise des Gehirns (2)
- 1.4 MNIST Datensatz
- 1.4 Selbsttest MNIST
- 1.5.1 Neuronale Netze: Aufbau (1)
- 1.5.1 Selbsttest Aufbau NN (1)
- 1.5.2 Neuronale Netze: Aufbau (2)
- 1.5.2 Selbsttest Aufbau NN (2)
- 1.6.1 Neuronale Netze: Lernen (1)
- 1.6.1 Selbsttest NN Lernen (1)
- 1.6.2 Neuronale Netze: Lernen (2)
- 1.6.2 Selbsttest NN Lernen (2)
- 1.7 Neuronale Netze: Lernen - Backpropagation
- 1.7 Selbsttest Backpropagation
- Freiwillige Übung 1 - Inhalte Woche 1 erklären
- Bonusaufgabe: Inhalte Woche 1 erklären
- Freiwillige Übung 2 - Backpropagation
- Bonusaufgabe: Backpropagation
- Exkurs: Mac Installation (grafisch)
- Exkurs: Mac Installation (cli - Homebrew Packet Manager)
- Exkurs: Windows Installation
- Exkurs: Linux Installation
- Lesematerial
Woche 2
- Willkommen in Woche 2
- 2.1 Wochenüberblick
- 2.1 Selbsttest Wochenüberblick
- Kurze Einführung in Google Colab
- 2.2 Einführung zu NumPy
- 2.2 Selbsttest NumPy
- 2.3 Einführung zu Matplotlib
- 2.3 Selbsttest Matplotlib
- 2.4 Laden und Bearbeiten von MNIST
- 2.4 Selbsttest Laden und Bearbeiten von MNIST
- 2.5 Einführung zu TensorFlow/Keras
- 2.5 Selbsttest TensorFlow/Keras
- 2.6 Aktivierungsfunktionen
- 2.6 Selbsttest Aktivierungsfunktionen
- 2.7 Implementierung eines neuronalen Netzes für MNIST
- 2.7 Selbsttest Implementierung neuronales Netz für MNIST
- 2.8 Aktivierungsfunktionen Praxis
- 2.8 Selbsttest Aktivierungsfunktionen Praxis
- 2.9 Was sind gute Daten?
- 2.9 Selbsttest Was sind gute Daten?
- Beschreibung der Übung
- Lesematerial
Woche 3
- Willkommen in Woche 3
- Zusatzinhalte aus Woche 2
- Zusatz: Nachtrag Woche 1
- 3.1 Wochenüberblick
- 3.2 Einführung in Computer Vision
- 3.2 Selbsttest Einführung in Computer Vision
- 3.3 Convolutional Layer
- 3.3 Selbsttest Convolutional Layer
- 3.4 Max-Pooling Layer
- 3.4 Selbsttest Max-Pooling Layer
- 3.5.1 Komplexe Layerstruktur
- 3.5.1 Selbsttest Komplexe Layerstruktur
- Nutzung der deeplearning2020 Python library
- 3.5.2 Praxis - Komplexe Layerstruktur
- 3.5.2 Selbsttest Praxis - Komplexe Layerstruktur
- 3.6.1 Loss Functions
- 3.6.1 Selbsttest Loss Functions
- 3.6.2 Praxis - Loss Functions
- 3.6.2 Selbsttest Praxis - Loss Functions
- 3.7.1 Optimizer
- 3.7.1 Selbsttest Optimizer
- 3.7.2 Praxis - Optimizer
- 3.7.2 Selbsttest Optimizer Praxis
- 3.8.1 Hyperparameter
- 3.8.1 Selbsttest Hyperparameter
- 3.8.2 Praxis Hyperparameter
- 3.8.2 Selbsttest Praxis - Hyperparameter
- 3.8.3 Hyperparameter - Tiefe des Netzes
- 3.8.3 Selbsttest Hyperparameter - Tiefe des Netzes
- Beschreibung der Übung
- Weitere Übungsmöglichkeiten
- Lesematerial
- Exkurs: Neuronales Netz von Scratch mit Python - Teil 1
- Exkurs: Neuronales Netz from Scratch mit Python - Teil 2
Woche 4
- Willkommen in Woche 4
- Wochenüberblick Woche 4
- 4.1.1 Wie optimiert man Hyperparameter?
- 4.1.1 Selbsttest Wie optimiert man Hyperparameter?
- 4.1.2 Wie optimiert man Hyperparameter? (Praxis)
- 4.1.2 Selbsttest Wie optimiert man Hyperparameter (Praxis)
- 4.2 Wie trainiert man mit wenig Bildern?
- 4.2 Selbsttest Wie trainiert man mit wenig Bildern?
- 4.3.1 Wie funktioniert Dropout?
- 4.3.1 Selbsttest Wie funktioniert Dropout?
- 4.3.2 Wie funktioniert Dropout? (Praxis)
- 4.3.2 Selbsttest Wie funktioniert Dropout? (Praxis)
- 4.4.1 Wie funktioniert Batch Normalization?
- 4.4.1 Selbsttest Wie funktioniert Batch Normalization?
- 4.4.2 Wie funktioniert Batch Normalization? (Praxis)
- 4.4.2 Selbsttest Wie funktioniert Batch Normalization? (Praxis)
- 4.5.1 Was ist Data Augmentation?
- 4.5.1 Selbsttest Was ist Data Augmentation?
- 4.5.2 Was ist Data Augmentation? (Praxis)
- 4.5.2 Selbsttest Was ist Data Augmentation? (Praxis)
- 4.5.3 Zusammenfassung Regularisierungstechniken
- 4.5.3 Zusammenfassung Regularisierungstechniken
- 4.6 Was ist Transfer Learning?
- 4.6 Selbsttest Was ist Transfer Learning?
- 4.7.1 Transfer Learning Implementierung
- 4.7.1 Selbsttest Transfer Learning Implementierung
- Exkurs - Exception, Aufbau eines aktuellen CNNs
- 4.7.2 Transfer Learning Implementierung (Praxis)
- 4.7.2 Selbsttest Transfer Learning Implementierung (Praxis)
- 4.8 Automated Machine Learning
- 4.8 Selbsttest Automated Transfer Learning
- 4.9 Aktuelle Computer Vision Probleme und Anwendungen
- Erinnerung an die Übung zu Woche 3 und 4
- Lesematerial
Abschlussprüfung und Exkurse
- Abschlussprüfung
- Exkurs: Long Short Term Memory
- Exkurs: Generative Adversarial Networks Teil 1
- Exkurs: Generative Adversarial Networks Teil 2
- Exkurs: Generative Adversarial Networks Teil 3
- Exkurs: Generative Adversarial Networks Teil 4
- Exkurs GAN - WGAN, WGAN-GP und Style-GAN
- Lösungen der Übungen
- Exkurs GAN - Code zum Exkurs
I like, I wish
- I like, I wish - was ist das?
- Umfrage zum Kursabschluss