Tensorflow учится с нуля
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товара
......
Глава 1. Основы машинного обучения / 1
1.1 Искусственный интеллект: и возможность, и вызов / 2
1.2 Машинное обучение / 2
1.2.1 Что такое машинное обучение / 2
1.2.2 Общий процесс решения задач с помощью машинного обучения / 4
1.2.3 Предварительная обработка данных / 6
1.2.4 Разработка функций / 7
1.2.5 Оценка и выбор моделей / 10
1.3 Разработка и применение глубокого обучения / 16
1.3.1 Разработка глубокого обучения / 16
1.3.2 Применение глубокого обучения / 18
1.4 Упражнения к этой главе / 20
Глава 2 Основы TensorFlow / 21
2.1 Tensorflow 2.0 ВВЕДЕНИЕ / 22
2.1.1 Основные понятия TensorFlow / 22
2.1.2 Изменения с 1.х на 2.0/25
2.1.3 Tensorflow 2.0 Архитектура / 26
2.2 Установка TensorFlow 2.0 / 27
2.3 Использование TensorFlow 2.0/33
2.3.1“tf.data”API / 33
2.3.2“tf.keras”API / 40
2.4 Используйте ускорение графического процессора / 47
2.4.1 Установка и конфигурация среда GPU / 47
2.4.2 Используйте TensorFlow-GPU / 53
2.5 Сводка этой главы / 55
Глава 3. Нейронные сети прямого распространения 56
3.1 Нейронные сети / 57
3.1.1 Модель персептрона / 57
3.1.2 Многослойные нейронные сети / 58
3.2 Функция активации / 61
3.2.1 Логистическая функция / 61
3.2.2 Функция TANH / 61
3.2.3 RELU FUNCTION / 62
3.3 Функция потерь и выходной единицы / 63
3.3.1 Выбор функции потерь / 63
3.3.2 Выбор выходного блока / 64
3.4 Небольшой тестовый нож для крупного рогатого скота: почерк MNIST Digital Discover / 65
3.4.1 Набор данных MNIST / 66
3.4.2 Обработка данных / 67
3.4.3 Простая внедрение женской лесной нейронной сети / 70
3.5 Сводка этой главы / 72
3.6 Упражнения к этой главе / 72
Глава 4. Сверточные нейронные сети 73
4.1 Основные характеристики и характеристики сверточной нейронной сети
Базовая структура / 74
4.2 Слоловый слой / 76
4.2.1 Что такое свертка / 76
4.2.2 Скользящие шаги и заполнение нулями 79
4.2.3 Базовая структура сверточного слоя / 81
4.3 Слой пленки / 83
4.4 Небольшой тест: классификация изображений с помощью CNN / 84
4.5 Сводка этой главы / 92
4.6 Упражнения к этой главе / 92
Глава 5 Рекуррентные нейронные сети 93
5.1 Простая нейронная сеть Circulation / 94
5.1.1 Основы рекуррентных нейронных сетей
структура / 95
5.1.2 Процесс работы рекуррентной нейронной сети и
Обновление параметра / 96
5.2 Часто используемые рекуррентные нейронные сети / 100
5.2.1 Многослойные рекуррентные нейронные сети / 101
5.2.2 Двунаправленные рекуррентные нейронные сети / 101
5.2.3 TensorFlow реализует рекуррентные нейронные сети
сеть / 102
5.3 Проблема долговременной зависимости и ее оптимизация / 107
5.4 Дверной -Контролирующий Круг Круг Нейронная сеть / 110
5.4.1 Сети долговременной краткосрочной памяти / 110
5.4.2 Во время блока циркуляции дверей / 114
5.4.3 TensorFlow для реализации LSTM и
GRU / 115
5.5. Применение рекуррентных нейронных сетей 116
5.5.1 Классификация текста / 116
5.5.2 Маркировка последовательности / 117
5.5.3 Машинный перевод / 118
5.6 Модель внимания / 119
5.7 Сводка этой главы / 121
5.8 Упражнения к этой главе / 121
Глава 6 в учебном обучении -Depth Areftion / 122
6.1 Глубокое обучение в Альфаго / 123
6.2 Основы обучения с подкреплением 126
6.2.1. Проблема обучения с подкреплением 126
6.2.2 Марковские процессы принятия решений / 128
6.2.3 * Функция оптимального значения и Беллмана
Формула / 130
6.3 Модель улучшенного метода обучения / 131
6.3.1 Итерация / 132
6.3.2 стратегия итерация / 132
6.4 Метод обучения подкрепления без моделей / 133
6.4.1 Методы Монте-Карло / 133
6.4.2 Обучение временной разнице / 136
6.4.3 Функция значения аналогична / 139
6.4.4 Поиск стратегии / 139
6.5 Алгоритмы обучения с подкреплением 141
6.5.1 Алгоритм Q-обучения / 141
6.5.2 Monte Carlo Policy Gradient
Алгоритм / 146
6.5.3 Актер-критический алгоритм / 150
6.6 В алгоритме укрепления обучения / 154
6.6.1 Глубокий Q-NetWorks (DQN) / 154
6.6.2 Deep Deterministic Policy
Градиент (DDPG) / 156
6.7 Резюме этой главы / 157
6.8 Упражнения к этой главе / 157
Глава 7 Project Real Combat / 158
7.1 CNN Фактический боевой проект 1: chars74k / 158
7.2 CNN Фактический боевой проект 2: CIFAR-10 /166
7.3 RNN Фактический боевой проект 1: Новости текстовой категории / 174
7.4 Практический проект RNN II: Чат-бот / 180
7.5 DRL Фактический боевой проект: DQN / 189
......Эта книга представляет собой вступительную книгу Tensorflow, которую очень легко читать и не испытывает никаких трудностей в обучении.Эта книга основана на Tensorflow версии 2.0. ИФИЧЕСКИЙ интеллект.Эта книга подходит для читателей, которые являются новичками с Tensorflow и имеют слабую теоретическую и практическую основу для глубокого обучения.
......Hou Lunqing, магистр программного обеспечения, в настоящее время занимается работой, связанной с диалогом человека.Он увлечен исследованиями, связанными с обработкой естественного языка, машинным обучением и глубоким обучением подкрепления.
Ван Фэй, степень магистра в Университете Шэньчжэнь, основатель Tensorflownews и Pytorchchina Community.В настоящее время участвуют в исследованиях основных алгоритмов, связанных с обработкой естественного языка, в основном китайской сегментации слов, классификацией текста и интеллектуальным анализом.
Дэн Синь, магистр компьютерных наук, Университет Шэньчжэнь,&Ldquo; Panchuang Technology”
Ши Чжоуан, магистр разработки программного обеспечения, энтузиаст, практикующий врач и исследователь технологий искусственного интеллекта.В настоящее время занимается слабо контролируемым обучением, переводом обучения и медицинским имиджам.