Google JAX Deep Learn
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товара
| Заголовок: | Google JAX Deep Learning |
| Автор: | Ван Сяохуа |
| Издательство: | Tsinghua University Press |
| Дата публикации: | 2021-06-01 |
| Версия: | 1 |
| ISBN: | 9787302604365 |
| Рыночная цена: | 79.0 |
Глава 1 JAX с нуля
1.1 JAX уже здесь
1.1.1 Что такое JAX
1.1.2 Почему JAX
1.2 Установка и использование JAX
1.2.1 Подсистема Windows для установки Linux
1.2.2 Установка и проверка JAX
1.2.3 Скачать и установка Pycharm
1.2.4 Использование PyCharm и JAX
1.2.5 Код Python JAX: вычислить функцию SELU
1.3 Боевой JAX — распознавание почерка MNIST
Шаг 1.3.1: Подготовьте набор данных
1.3.2 Этап: Разработка модели
1.3.3 Третий шаг: обучение модели
1.4 Резюме этой главы
Глава 2 Один из них изучил линию назад, одна многократная машина навсегда восприятия и автоматические микрококетромы
2.1 Многослойный персептрон
2.1.1.
2.1.2 Используйте JAX для реализации полного уровня соединения
2.1.3 Более способная функция полного соединения
2.2 Фактическая классификация цветов JAX -Iyningwei
2.2.1 Подготовка и анализ данных цветов Yingwei
2.2.2.
2.2.3 Написание модели линейной регрессии на основе JAX
2.2.4 Многослойный персептрон и нейронная сеть
2.2.5 Функция активации на основе JAX, функция softmax и функция перекрестной энтропии
2.2.6 На основании классификации цветов Yingwei на основе мульти -слойного восприятия машина
2.3 Автоматическое микро -диск.
2.3.1 Что такое дифференциатор
2.3.2 Авто -дифференциальный в JAX
2.4 Сводка этой главы
Глава 3 Основная теория исследования
3.1 Введение в нейронную сеть БП
3.2 Подробное объяснение двух основных алгоритмов нейронной сети БП.
3.2.1 Подробное объяснение метода наименьших квадратов
3.2.2 История священника вниз по алгоритму падения грений
3.2.3 Алгоритм уменьшения градиента вторичного метода и реализация реализации JAX
3.3 Введение в алгоритм обратного распространения ошибки нейронной сети с обратной связью
3.3.1 Глубокое обучение основы
3.3.2 Правило цепной производной
3.3.3 Принцип нейронной сети с обратной связью и вывод формулы
3.3.4 Функция активации принципа нейронной сети с обратной связью
3.3.5 Реализация принципа нейронной сети с обратной связью в Python
3.4 Сводка этой главы
Глава 4. Общие характеристики XLA и JAX
4.1 JAX и XLA
4.1.1 Как работает XLA
4.1.2 Как работает XLA
4.2 Общие характеристики JAX
4.2.1 Использование JIT для ускорения работы программы
4.2.2 Автоматическая функция микро -сплайттер
4.2.3 Автоматическое отображение векторизации -VMAP
4.3 Резюме этой главы
Глава 5: Приятные возможности JAX
5.1 JAX и NumPy
5.1.1 JAX работает как NumPy
5.1.2 Базовая реализация JAX слабая
5.1.3 Механизм параллельного JIT и сценарии, в которых JIT не подходит
5.1.4 Подробное объяснение параметров JIT
5.2 Требования к спецификациям для написания программ JAX
5.2.1 Функции JAX должны быть чистыми функциями
5.2.2 Спецификация массивов в JAX r/>
5.2.3 Ветви управления в JIT
5.2.4 функции сканирования if, while, for в JAX
5.3 Резюме этой главы
Глава 6. Некоторые подробности о JAX
6.1 Численные расчеты в JAX
6.1.1 Подробности использования функции grad в JAX
6.1.2 Не пишите код с побочными эффектами -Разница между JAX и Numpy
6.1.3 Простая подгонка уравнения регрессии линии
6.2 можно улучшить в JAX
6.2.1 Процесс преобразования JIT
6.2.2 JIT не может отслеживать параметры неопределенных параметров
6.2.3 Понимание предварительной компиляции и кэширования в JAX
6.3 Функция автоматического устройства в JAX -VMAP
6.3.1.
6.3.2 написать капусту -аутоматическую векторизацию функцию VMAP в JAX
6.3.3 JAX MID до высокого уровня обработки руководства
6.4 Метод сохранения структуры в JAX Pytreer/>
6.4.1 Что такое Pytree
6.4.2 Общие функции pytree
6.4.3 Контроль параметров модели глубокого обучения (модель линии)
6.4.4 Управление параметрами модели глубокого обучения (не -линейная модель)
6.4.5 Пользовательские узлы Pytree
6.4.6 Механизм работы числовых вычислений JAX
6.5 Сводка этой главы
Глава 7. Свертки в JAX
7.1 Что такое свертка
7.1.1 Операция свертки
7.1.2 Расчет одномерной свертки и многомерной свертки в JAX
7.1.3 Вычисление и представление общей свертки в JAX.lax
7.2 Боевой JAX — классификация наборов данных MNIST на основе архитектуры VGG
7.2.1 Архитектура глубокого обучения группе геометрии (VGG) (VGG)
7.2.2 Внедрение и реализация компонентов, используемых в VGG
7.2.3 Классификация набора данных MNIST на основе VGG6
7.3 Краткое содержание главы
Глава 8. Сравнение и взаимодействие JAX и TensorFlow
8.1 Классификация MNIST на основе TensorFlow
8.2 Взаимодействие между TensorFlow и JAX
8.2.1 Классификация наборов данных TensorFlow на основе JAX
8.2.2 Введение в библиотеку наборов данных TensorFlow
8.3 Резюме этой главы
Глава 9 Избегайте пользовательской функции в соответствии с основными правилами функции JAX
9.1 Основные правила функций JAX
9.1.1 Используйте существующие примитивы
9.1.2 Пользовательский JVP и обратный VJP
9.1.3 Расширенное использование jax.custom_jvp и jax.custom_function
9.2 Использование интерпретатора Jaxpr
9.2.1 Jaxpr tracer
9.2.2 Пользовательские функции, которые можно отслеживать с помощью Jaxpr
9.3 Использование имен измерений JAX
9.3.1 Имена измерений для JAX
9.3.2 Пользовательский векторный тензор в JAX
9.4 Резюме этой главы
Глава 10. Не в JAX
10.1 ДЖАКС
10.1.1 Использование jax.numpy
10.1.2 Использование jax.nn
10.2 Использование jax.experimenta и jax.example_libraries
10.2.1 Использование jax.experimental.sparse
10.2 jax.exper mental.optimizers module
10.2.3 Использование jax.experimental.stax
10.3 Краткое содержание главы
Нимфо
JAX -это библиотека Python для расчета значения с высокой энергией, которая предназначена для глубоких энергетических вычислений.В этой книге объясняются знания в рамках JAX Framework, подтверждающего примера исходного кода, программного обеспечения PPT, набора данных и среды разработки.Эта книга разделена на 13 глав. Это хорошо, некоторые детали JAX, некоторые детали JAX Сравнение и взаимодействие между JAX и TensorFlow в JAX, следуйте пользовательской функции в соответствии с основными правилами функции JAX, не находится в JAX.Позже приведены 3 фактических боевых случая: Использование Resnet для завершения классификации наборов данных CIFAR100, встроенных интересных слов и создания конфронтационных сетей (GAN).Эта книга подходит для начинающих JAX Framework, начинающих в глубоком обучении и практиков глубокого обучения.
JAX -это библиотека Python для расчета значения с высокой энергией, которая предназначена для глубоких энергетических вычислений.В этой книге объясняются знания в рамках JAX Framework и анализируются три фактических боевых случая: используйте RESNET для завершения классификации наборов данных CIFAR100, интересных слов, встраивающих и генерирующих сеть конфронтации.Эта книга поддерживает пример исходного кода, программа курса PPT, наборы данных, среды разработки и услуги допроса.
