tensorflow_cookbook
1.0.0
=================
짓다:
=================
이 장에서는 Tensorflow에 주요 객체와 개념을 소개하려고합니다. 또한 책의 나머지 부분에 대한 데이터에 액세스하는 방법을 소개하고 텐서 플로에 대한 학습을위한 추가 리소스를 제공합니다.
Tensorflow에서 기본 객체와 방법을 설정 한 후 이제 텐서 플로우 알고리즘을 구성하는 구성 요소를 설정하려고합니다. 우리는 계산 그래프를 도입 한 다음 손실 기능 및 후면 전파로 이동합니다. 우리는 간단한 분류기를 만드는 것으로 끝나고 회귀 및 분류 알고리즘을 평가하는 예를 보여줍니다.
여기서 우리는 텐서 플로에서 다양한 선형 회귀 기술을 구현하는 방법을 보여줍니다. 처음 두 섹션은 텐서 플로에서 표준 매트릭스 선형 회귀 해결을 수행하는 방법을 보여줍니다. 나머지 6 개의 섹션은 Tensorflow에서 계산 그래프를 사용하여 다양한 유형의 회귀를 구현하는 방법을 나타냅니다.
이 장에서는 Tensorflow를 사용하여 다양한 SVM 방법을 구현하는 방법을 보여줍니다. 먼저 선형 SVM을 생성하고 회귀에 어떻게 사용할 수 있는지 보여줍니다. 그런 다음 커널 (RBF 가우시안 커널)을 소개하고이를 사용하여 비선형 데이터를 분할하는 방법을 보여줍니다. 우리는 여러 클래스에서 작업하기 위해 비선형 SVM의 다차원 구현으로 마무리됩니다.
가장 가까운 이웃 방법은 매우 인기있는 ML 알고리즘입니다. 우리는 K-nearest 이웃, 가중 K-nearest 이웃 및 혼합 거리 기능을 가진 K-nearest 이웃을 구현하는 방법을 보여줍니다. 이 장에서는 또한 텐서 플로에서 Levenshtein 거리 (편집 거리)를 사용하는 방법을 보여주고 문자열 사이의 거리를 계산하는 데 사용합니다. 우리는 MNIST 필기 숫자 인식으로 범주 적 예측을 위해 K-NAREARSE 이웃을 사용하는 방법을 보여주는이 장을 끝냅니다.
신경망은 기계 학습에서 매우 중요하며 이전의 해결되지 않은 문제의 주요 획기적인 획기적인 혁신으로 인해 인기가 높아집니다. 우리는 매우 강력하고 이전 ML 알고리즘 결과를 향상시키는 데 도움이 될 수있는 '얕은'신경망을 소개하는 것으로 시작해야합니다. 우리는 매우 기본적인 NN 장치 인 Operational Gate를 소개하는 것으로 시작합니다. 우리는 점차적으로 신경망에 점점 더 많은 것을 추가하고 Tic-Tac-toe를 연주하는 모델을 훈련시킵니다.
NLP (Natural Language Processing)는 텍스트 정보를 수치 요약, 기능 또는 모델로 처리하는 방법입니다. 이 장에서는 Tensorflow에서 텍스트를 가장 잘 처리하는 방법을 동기를 부여하고 설명 할 것입니다. 우리는 클래식 한 'bag-of-words'를 구현하는 방법을 보여주고 당면한 문제에 따라 텍스트를 포함시키는 더 나은 방법이있을 수 있음을 보여줍니다. Word2Vec (Cbow 및 Skip-Gram) 및 Doc2Vec라는 신경망 임베딩이 있습니다. 우리는 Tensorflow 에서이 모든 것을 구현하는 방법을 보여줍니다.
CNN (Convolutional Neural Networks)은 신경망이 이미지 데이터를 처리하도록하는 방법입니다. CNN은 더 큰 이미지에 고정 크기 필터를 적용하여 이미지의 어느 부분에서도 패턴을 인식하는 컨볼 루션 레이어를 사용하여 이름을 도출합니다. 텐서 플로우로 구현하는 방법을 보여주는 다른 많은 도구 (최대 풀링, 드롭 아웃 등)가 있습니다. 우리는 또한 기존 아키텍처를 재교육하고 Stylenet과 Deep Dream으로 CNN을 더 가져가는 방법을 보여줍니다.
재발 성 신경망 (RNN)은 '재발 성'연결을 허용하거나 네트워크의 이전 상태에 의존하는 루프를 제외하고는 일반 신경망과 매우 유사합니다. 이를 통해 RNN은 순차적 데이터를 효율적으로 처리 할 수 있지만 다른 유형의 네트워크는 할 수 없습니다. 그런 다음 규칙적인 RNN 문제를 해결하는 방법으로 LSTM (긴 단기 메모리) 네트워크의 사용에 동기를 부여합니다. 그런 다음 Tensorflow에서 이러한 RNN 유형을 구현하는 것이 얼마나 쉬운 지 보여줍니다.
물론 머신 러닝 모델을 작성하고 피팅하는 것보다 텐서 플로우가 더 많습니다. 사용하려는 모델이 있으면 생산 사용으로 이동해야합니다. 이 장에서는 여러 프로세서를 사용하고 여러 시스템 (Tensorflow Distributed)을 사용하여 단위 테스트 구현의 팁과 예를 제공하며 전체 생산 예제로 마무리합니다.
다재다능한 텐서 플로우가 어떻게되는지 설명하기 위해이 장에서 추가 예를 보여줄 것입니다. 로깅/시각화 도구 텐서 보드 사용 방법을 보여주는 것으로 시작합니다. 그런 다음 K- 평균 클러스터링을 수행하고 유전자 알고리즘을 사용하며 ODE 시스템을 해결하는 방법을 설명합니다.
