Atualização de Progresso 2
Recursos do Minicurso
Ótimo trabalho! Agora você já consegue identificar corretamente a qual categoria uma imagem provavelmente pertence.
Para verificar se seu código está correto até este ponto, compare com o exemplo abaixo.
A saída dos códigos pode variar. Você só precisa copiar os blocos de código, não os blocos de saída, pois estes serão gerados automaticamente no notebook.
Compare seu Código
Antes de continuar, confira seu notebook do Google Colab com o código abaixo:
plt.figure(figsize=(10,10))
for i in range(25):
plt.subplot(5,5,i+1)
plt.xticks([])
plt.yticks([])
plt.grid(False)
plt.imshow(train_images[i], cmap=plt.cm.binary)
plt.xlabel(class_names[train_labels[i]])
plt.show()
# Construindo a Rede Neural
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(128, activation='relu'),
keras.layers.Dense(10)
])
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
model.fit(train_images, train_labels, epochs=10)
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print('\nAcurácia de teste:', test_acc)
probability_model = tf.keras.Sequential([model, tf.keras.layers.Softmax()])
predictions = probability_model.predict(test_images)
predictions[7]
np.argmax(predictions[7])
test_labels[7]
class_names[6] # Resultado esperado: 'Camisa'
Agora que conseguimos classificar a categoria de uma peça de roupa usando o modelo, vamos visualizar essas previsões com um gráfico de barras para uma imagem específica.
Se quiser testar o código acima, visite este link.
Para editar o código, clique em “Copy to Drive” para fazer uma cópia pessoal do notebook. Certifique-se de estar logado com sua conta Google.
Se estiver usando uma conta Google temporária (Nuevo)
Após copiar, renomeie o arquivo removendo “Copy of” e colocando seu nome no canto superior esquerdo do notebook.