去年 11 月，Google Brain 團(tuán)隊(duì)發(fā)布了 Eager Execution，一個(gè)由運(yùn)行定義的新接口，為 TensorFlow 這一最為流行的深度學(xué)習(xí)框架引入了動(dòng)態(tài)圖機(jī)制。Eager 的出現(xiàn)使得開發(fā)變得更為直觀，從而讓 TensorFlow 的入門難度大為降低。本文介紹了使用 TensorFlow Eager 構(gòu)建神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)單教程。

項(xiàng)目鏈接：https://github.com/madalinabuzau/tensorflow-eager-tutorials

本文旨在幫助那些希望通過(guò) TensorFlow Eager 模式獲得深度學(xué)習(xí)實(shí)踐經(jīng)驗(yàn)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(shì)是提供了自動(dòng)微分(無(wú)需再手書反向傳播，(*^?^*)!)。它還可以在 GPU 上運(yùn)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(tuán)隊(duì)曾表示，Eager Execution 的主要優(yōu)點(diǎn)如下：

快速調(diào)試即刻的運(yùn)行錯(cuò)誤并通過(guò) Python 工具進(jìn)行整合
借助易于使用的 Python 控制流支持動(dòng)態(tài)模型
為自定義和高階梯度提供強(qiáng)大支持
適用于幾乎所有可用的 TensorFlow 運(yùn)算

我會(huì)努力讓每個(gè)人都能理解這份教程，因此我將盡量在無(wú)需 GPU 處理的前提下解決問(wèn)題。

教程中使用的 TensorFlow 版本為 1.7 版。

開始

01. 構(gòu)建一個(gè)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)——下圖將教你如何在一個(gè)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(gè)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(duì)三種不同的機(jī)器學(xué)習(xí)問(wèn)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(jiǎn)單但實(shí)用的知識(shí)

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(duì)新數(shù)據(jù)進(jìn)行預(yù)測(cè)。

 

 

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(zhǎng)度的文本數(shù)據(jù)存儲(chǔ)到 TFRecords 中。當(dāng)使用迭代器讀取數(shù)據(jù)集時(shí)，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(zhǎng)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(gè)用于情緒識(shí)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(gè) CNN 模型。在完成以后，你將能使用網(wǎng)絡(luò)攝像頭試驗(yàn)自己構(gòu)建的神經(jīng)網(wǎng)絡(luò)，這是一個(gè)很棒的嘗試!

 

循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)

 

08. 構(gòu)建一個(gè)序列分類的動(dòng)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(lái)構(gòu)建動(dòng)態(tài) RNN。

 

 

09. 構(gòu)建一個(gè)時(shí)序回歸 RNN——下圖展示了如何為時(shí)序預(yù)測(cè)構(gòu)建一個(gè) RNN 模型。

 

標(biāo)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(qǐng)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(diǎn)！
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(qǐng)與原作者聯(lián)系。