TensorFlow的動態(tài)圖工具Eager怎么用？這是一篇極簡教程
2018-06-15 來源：
項目鏈接：https://github.com/madalinabuzau/tensorflow-eager-tutorials
本文旨在幫助那些希望通過 TensorFlow Eager 模式獲得深度學(xué)習(xí)實踐經(jīng)驗的人。TensorFlow Eager 可以讓你像使用 Numpy 那樣輕松地構(gòu)建神經(jīng)網(wǎng)絡(luò)，其巨大優(yōu)勢是提供了自動微分(無需再手書反向傳播，(*^?^*)!)。它還可以在 GPU 上運行，使神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度明顯加快。
谷歌大腦的開發(fā)團隊曾表示，Eager Execution 的主要優(yōu)點如下：
快速調(diào)試即刻的運行錯誤并通過 Python 工具進行整合
借助易于使用的 Python 控制流支持動態(tài)模型
為自定義和高階梯度提供強大支持
適用于幾乎所有可用的 TensorFlow 運算
我會努力讓每個人都能理解這份教程，因此我將盡量在無需 GPU 處理的前提下解決問題。
教程中使用的 TensorFlow 版本為 1.7 版。
開始
01. 構(gòu)建一個簡單的神經(jīng)網(wǎng)絡(luò)——下圖將教你如何在一個合成生成的數(shù)據(jù)集上用 TensorFlow Eager 模式構(gòu)建和訓(xùn)練一個單隱藏層神經(jīng)網(wǎng)絡(luò)。
02. 在 Eager 模式中使用度量——下圖將教你針對三種不同的機器學(xué)習(xí)問題(多分類、不平衡數(shù)據(jù)集和回歸)，如何使用與 Eager 模式兼容的度量。
簡單但實用的知識
03. 保存和恢復(fù)訓(xùn)練好的模型——下圖將教你如何保存訓(xùn)練好的模型并隨后恢復(fù)它以對新數(shù)據(jù)進行預(yù)測。
04. 將文本數(shù)據(jù)傳輸?shù)?TFRecords——下圖將教你如何把可變序列長度的文本數(shù)據(jù)存儲到 TFRecords 中。當使用迭代器讀取數(shù)據(jù)集時，數(shù)據(jù)可以在批處理中快速填充。
05. 將圖像數(shù)據(jù)傳輸?shù)?TFRecords——下圖將教你如何把圖像數(shù)據(jù)及其元數(shù)據(jù)傳輸?shù)?TFRecords 上。
06. 如何批量讀取 TFRecords 數(shù)據(jù)——下圖將教你如何從 TFRecords 中批量讀取可變序列長度數(shù)據(jù)或圖像數(shù)據(jù)。
卷積神經(jīng)網(wǎng)絡(luò)(CNN)
07. 構(gòu)建一個用于情緒識別的 CNN 模型——下圖將教你使用 TensorFlow Eager API 和 FER2013 數(shù)據(jù)集從零開始構(gòu)建一個 CNN 模型。在完成以后，你將能使用網(wǎng)絡(luò)攝像頭試驗自己構(gòu)建的神經(jīng)網(wǎng)絡(luò)，這是一個很棒的嘗試!
08. 構(gòu)建一個序列分類的動態(tài) RNN——學(xué)習(xí)如何使用可變序列輸入數(shù)據(jù)。下圖將介紹如何使用 TensorFlow Eager API 和 Stanford Large Movie Review Dataset 來構(gòu)建動態(tài) RNN。
09. 構(gòu)建一個時序回歸 RNN——下圖展示了如何為時序預(yù)測構(gòu)建一個 RNN 模型。
標簽： Google https 谷歌 網(wǎng)絡(luò)
版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。
