Utilizzo di GradientTape per aggiornare i pesi
TensorFlow è senza dubbio la libreria più popolare per il deep learning. Ho scritto tanti tutorial su TensorFlow prima e continuo ancora. TensorFlow è un pacchetto molto ben organizzato e facile da usare in cui non è necessario preoccuparsi troppo dello sviluppo e dell’addestramento del modello. Praticamente la maggior parte delle cose è gestita dal pacchetto stesso. Questo è probabilmente il motivo per cui è diventato così popolare nel settore. Ma allo stesso tempo, a volte è bello avere il controllo sulle funzionalità dietro le quinte. Ti dà molto potere di sperimentare con i modelli. Se sei in cerca di lavoro, alcune conoscenze extra potrebbero darti un vantaggio.
In precedenza, ho scritto un articolo su come sviluppare funzioni di attivazione personalizzate, livelli e funzioni di perdita. In questo articolo vedremo come addestrare manualmente il modello e aggiornare tu stesso i pesi. Ma non preoccuparti. Non è necessario ricordare di nuovo il calcolo differenziale. Abbiamo il metodo GradientTape() disponibile nello stesso TensorFlow per occuparci di quella parte.
Se GradientTape() è totalmente nuovo per te, non esitare a controllare questo esercizio su GradientTape() che ti mostra come funziona GradientTape(): Introduzione a GradientTape in TensorFlow — Regenerative (regenerativetoday.com)
Preparazione dei dati
In questo articolo lavoriamo su un semplice algoritmo di classificazione in TensorFlow utilizzando GradientTape(). Si prega di scaricare il set di dati da questo collegamento:
Set di dati di previsione dell’insufficienza cardiaca (kaggle.com)
Questo set di dati ha una licenza per database aperto.
Queste sono le importazioni necessarie:
import tensorflow as tf
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Dense, Input
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.ticker as mticker
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.metrics import confusion_matrix
import itertools
from tqdm import tqdm
import tensorflow_datasets as tfds
Creazione del DataFrame con il set di dati:
import pandas as pd
df = pd.read_csv('heart.csv')
df
Fonte: towardsdatascience.com
