tensorflow_cookbook
1.0.0
-
สร้าง:
-
บทนี้ตั้งใจที่จะแนะนำวัตถุหลักและแนวคิดใน TensorFlow นอกจากนี้เรายังแนะนำวิธีการเข้าถึงข้อมูลสำหรับส่วนที่เหลือของหนังสือและจัดหาแหล่งข้อมูลเพิ่มเติมสำหรับการเรียนรู้เกี่ยวกับ TensorFlow
หลังจากที่เราได้สร้างวัตถุพื้นฐานและวิธีการใน TensorFlow ตอนนี้เราต้องการสร้างส่วนประกอบที่ประกอบขึ้นเป็นอัลกอริทึม TensorFlow เราเริ่มต้นด้วยการแนะนำกราฟการคำนวณจากนั้นย้ายไปยังฟังก์ชั่นการสูญเสียและการแพร่กระจายกลับ เราจบลงด้วยการสร้างตัวจําแนกอย่างง่ายจากนั้นแสดงตัวอย่างของการประเมินการถดถอยและอัลกอริทึมการจำแนกประเภท
ที่นี่เราแสดงวิธีการใช้เทคนิคการถดถอยเชิงเส้นต่าง ๆ ใน TensorFlow สองส่วนแรกแสดงวิธีการแก้ปัญหาการถดถอยเชิงเส้นเมทริกซ์มาตรฐานใน tensorflow ส่วนที่เหลืออีกหกส่วนแสดงถึงวิธีการใช้การถดถอยประเภทต่างๆโดยใช้กราฟการคำนวณใน TensorFlow
บทนี้แสดงวิธีการใช้วิธี SVM ที่หลากหลายด้วย TensorFlow ก่อนอื่นเราสร้าง SVM เชิงเส้นและแสดงวิธีที่จะใช้สำหรับการถดถอย จากนั้นเราแนะนำเคอร์เนล (เคอร์เนล RBF Gaussian) และแสดงวิธีการใช้เพื่อแยกข้อมูลที่ไม่ใช่เชิงเส้น เราจบด้วยการใช้ SVM แบบไม่เป็นเชิงเส้นหลายมิติเพื่อทำงานกับหลายคลาส
วิธีการเพื่อนบ้านที่ใกล้ที่สุดเป็นอัลกอริทึม ML ที่ได้รับความนิยมมาก เราแสดงวิธีการใช้เพื่อนบ้าน K-Nearest เพื่อนบ้าน K-Nearest ที่ถ่วงน้ำหนักและเพื่อนบ้าน K-Nearest ที่มีฟังก์ชั่นระยะทางผสม ในบทนี้เรายังแสดงวิธีการใช้ระยะทาง Levenshtein (แก้ไขระยะทาง) ใน tensorflow และใช้เพื่อคำนวณระยะห่างระหว่างสตริง เราจบบทนี้ด้วยการแสดงวิธีการใช้เพื่อนบ้าน K-Nearest สำหรับการทำนายอย่างเด็ดขาดด้วยการจดจำหลักที่เขียนด้วยลายมือ MNIST
เครือข่ายประสาทมีความสำคัญมากในการเรียนรู้ของเครื่องจักรและการเติบโตของความนิยมเนื่องจากความก้าวหน้าครั้งสำคัญในปัญหาที่ยังไม่ได้รับการแก้ไขก่อนหน้านี้ เราต้องเริ่มต้นด้วยการแนะนำเครือข่ายประสาทตื้น 'ซึ่งมีประสิทธิภาพมากและสามารถช่วยเราปรับปรุงผลลัพธ์อัลกอริทึม ML ก่อนหน้าของเรา เราเริ่มต้นด้วยการแนะนำหน่วย NN ขั้นพื้นฐานมากประตูปฏิบัติการ เราค่อยๆเพิ่มเครือข่ายประสาทมากขึ้นเรื่อย ๆ และจบลงด้วยการฝึกอบรมแบบจำลองเพื่อเล่น tic-tac-toe
การประมวลผลภาษาธรรมชาติ (NLP) เป็นวิธีการประมวลผลข้อมูลข้อความในบทสรุปตัวเลขคุณสมบัติหรือโมเดล ในบทนี้เราจะกระตุ้นและอธิบายวิธีจัดการกับข้อความที่ดีที่สุดใน TensorFlow เราแสดงวิธีการใช้ 'กระเป๋าคำ' คลาสสิกและแสดงให้เห็นว่าอาจมีวิธีที่ดีกว่าในการฝังข้อความตามปัญหาในมือ มีการฝังเครือข่ายประสาทที่เรียกว่า Word2vec (CBOW และ SKIP-GRAM) และ DOC2VEC เราแสดงวิธีการใช้สิ่งเหล่านี้ทั้งหมดใน TensorFlow
เครือข่าย Neural Neural (CNNS) เป็นวิธีการรับเครือข่ายประสาทเพื่อจัดการกับข้อมูลภาพ CNN ได้รับชื่อของพวกเขาจากการใช้เลเยอร์ convolutional ที่ใช้ตัวกรองขนาดคงที่ในภาพขนาดใหญ่โดยจดจำรูปแบบในส่วนใดส่วนหนึ่งของภาพ มีเครื่องมืออื่น ๆ อีกมากมายที่พวกเขาใช้ (การเจาะสูงสุดการออกกลางคัน ฯลฯ ... ) ที่เราแสดงวิธีการใช้งานกับ TensorFlow นอกจากนี้เรายังแสดงวิธีการฝึกสถาปัตยกรรมที่มีอยู่และนำ CNNs ต่อไปด้วย Stylenet และ Deep Dream
Neural Networks (RNNS) ที่เกิดขึ้นใหม่นั้นคล้ายกับเครือข่ายประสาททั่วไปยกเว้นว่าพวกเขาอนุญาตให้มีการเชื่อมต่อ 'กำเริบ' หรือลูปที่ขึ้นอยู่กับสถานะก่อนหน้าของเครือข่าย สิ่งนี้ช่วยให้ RNN สามารถจัดการกับข้อมูลตามลำดับได้อย่างมีประสิทธิภาพในขณะที่เครือข่ายประเภทอื่นไม่สามารถทำได้ จากนั้นเรากระตุ้นการใช้งานเครือข่าย LSTM (หน่วยความจำระยะสั้นระยะยาว) เป็นวิธีการแก้ไขปัญหา RNN ปกติ จากนั้นเราจะแสดงให้เห็นว่าการใช้ RNN เหล่านี้เป็นเรื่องง่ายเพียงใดใน TensorFlow
แน่นอนว่ามีมากกว่า TensorFlow มากกว่าการสร้างและการเรียนรู้ของเครื่องที่เหมาะสม เมื่อเรามีแบบจำลองที่เราต้องการใช้เราต้องย้ายไปสู่การใช้งานการผลิต บทนี้จะให้คำแนะนำและตัวอย่างของการทดสอบหน่วยการใช้งานโดยใช้โปรเซสเซอร์หลายตัวโดยใช้เครื่องหลายเครื่อง (TensorFlow Distributed) และจบด้วยตัวอย่างการผลิตเต็มรูปแบบ
เพื่อแสดงให้เห็นว่า Tensorflow อเนกประสงค์เป็นอย่างไรเราจะแสดงตัวอย่างเพิ่มเติมในบทนี้ เราเริ่มต้นด้วยการแสดงวิธีใช้ Tensorboard เครื่องมือบันทึก/แสดงภาพ จากนั้นเราแสดงวิธีการทำคลัสเตอร์ k-mean ใช้อัลกอริทึมทางพันธุกรรมและแก้ปัญหาระบบ ODEs
