Diese praktische Übung soll in die Python Bibliothek Tensorflow geben. Mittels Regression wird die in der Vorlesung zum Multilayer Perceptron vorgestellte Sinusfunktion mit einem Neuronalen Netz modelliert.
Nutzen Sie die bereitgestellt environment.yml um eine separate Environment in Conda zu erstellen. Die environment.yml
enthält neben der Deep Learning Bibliothek TensorFlow weitere Dependencies für die Bearbeitung
des Jupyter Notebooks.
Bearbeiten Sie interaktiv das Jupyter Notebook und versuchen Sie die Vorgehensweise des Trainierens eines Neuronalen Netzes nachzuvollziehen. Nutzen Sie zur Unterstützung auch die Dokumentation von Tensorflow bzw. die darunter liegende Bibliothek Keras. Insbesondere sei auf die folgenden Ressourcen verwiesen:
- https://www.tensorflow.org/guide/keras/sequential_model
- https://www.tensorflow.org/guide/keras/train_and_evaluate
- https://www.tensorflow.org/tutorials/keras/regression
Definieren Sie ein eigenes sequentielles Modell und variieren Sie dabei verschiedene Parameter des Neuronalen Netzes:
- Anzahl der DenseLayer
- Anzahl der Neuronen in einem Layer
- Aktivierungsfunktion (eine Übersicht der implementierten Aktivierungsfunktionen in Tensorflow finden Sie unter: https://www.tensorflow.org/api_docs/python/tf/keras/activations)
Überprüfen Sie, inwiefern sich die Anpassungen auf den Trainingsfortschritt und die Qualität des Modells auswirken.
Werten Sie die Evaluationsmetriken des linearen Modells, des DNN Models und ihres eigenen Modells aus, indem Sie die Metriken in ein pandas DataFrame übertragen und angemessen mit matplotlib visualisieren
Definieren Sie einmal eine beliebige komplexe nicht-lineare Funktion und versuchen Sie diese wie zuvor mit Hilfe eines Neuronalen Netzes anzunähern.