tensorflow – Với sự bùng nổ của trí tuệ nhân tạo – tức là học máy và học sâu đã phát triển rõ ràng trong thập kỷ qua. Hiện tại, tensorflow là thư viện máy học mã nguồn mở nổi tiếng nhất trên thế giới, được phát triển bởi các nhà nghiên cứu tại Google. Sự hỗ trợ mạnh mẽ cho các phép toán tính toán trong học máy và học sâu giúp giải quyết vấn đề dễ dàng hơn, nhanh hơn và thuận tiện hơn.
Các hàm tích hợp sẵn cho mỗi vấn đề trong thư viện cho phép tensorflow xây dựng nhiều mạng nơ-ron. Nó cũng cho phép bạn tính toán song song trên nhiều máy khác nhau, thậm chí trên nhiều CPU, GPU trên cùng một máy hoặc tạo đồ thị luồng dữ liệu – dataflow graph dùng để xây dựng mô hình. Nếu bạn muốn chọn con đường khởi nghiệp trong lĩnh vực trí tuệ nhân tạo. Này, điều thực sự quan trọng là phải biết những điều cơ bản về tensorflow.
Được viết bằng C ++, sử dụng python để vận hành giao diện, hiệu suất của tensorflow là rất tốt. Người dùng của nó cũng đa dạng như nhau: từ các nhà nghiên cứu, nhà khoa học dữ liệu, và tất nhiên, các lập trình viên.
Lịch sử của tensorflow
Một vài năm trước, học sâu bắt đầu cho thấy hiệu suất tốt hơn tất cả các thuật toán học máy khác khi xử lý lượng lớn dữ liệu. Google nhanh chóng nhận ra tiềm năng và nghĩ rằng họ nên sử dụng các mạng thần kinh sâu để cải thiện các dịch vụ của mình, bao gồm: – gmail. – Hình ảnh – Công cụ tìm kiếm của Google
Vì vậy, họ đã xây dựng một khuôn khổ được gọi là tensorflow để các nhà nghiên cứu và nhà phát triển có thể làm việc cùng nhau trên các mô hình a.i. 1 Khi được phát triển và mở rộng đầy đủ, nhiều người có thể sử dụng nó.
Xem thêm:
- Thử làm ứng dụng tô màu với ai đó
- Tìm hiểu thêm về học sâu với 12 khóa học trực tuyến miễn phí
- 10 thư viện Python tốt nhất dành cho các nhà khoa học dữ liệu
- Bảng lừa đảo, học máy, học sâu của bất kỳ ai
- Học sâu không khó, hãy tìm hiểu về học sâu ngay bây giờ
Được phát hành lần đầu tiên vào cuối năm 2015 và cuối cùng đã phát hành phiên bản ổn định của tensorflow vào năm 2017. Có nguồn mở theo giấy phép nguồn mở apache, giờ đây bạn có thể sử dụng, điều chỉnh và đóng góp lại phiên bản đã sửa đổi để đổi lấy việc không phải trả cho Google một xu nào.
Kiến trúc của tensorflow
Kiến trúc tensorflow hoạt động được chia thành 3 phần: – tiền xử lý dữ liệu – xây dựng mô hình – đào tạo và ước tính mô hình
tensorflow hoạt động như thế nào
tensorflow cho phép lập trình viên tạo đồ thị luồng dữ liệu, một cấu trúc mô tả cách dữ liệu di chuyển qua một biểu đồ hoặc chuỗi các nút xử lý. Mỗi nút trong biểu đồ đại diện cho một phép toán và mỗi kết nối hoặc cạnh giữa các nút là một mảng dữ liệu đa chiều, còn được gọi là “tensor”. tensorflow cung cấp tất cả các tính năng này cho lập trình viên python có phương pháp. Bởi vì python rất dễ học và sử dụng, nó cũng cung cấp những cách thuận tiện để hiểu cách soạn các bản tóm tắt cấp cao. Cả node và tensor trong tensorflow đều là các đối tượng python và bản thân ứng dụng tensorflow là một ứng dụng python. Các phép toán thực không được thực hiện trong python. Các thư viện chuyển đổi có sẵn thông qua tensorflow được viết bằng mã nhị phân c ++ hiệu suất cao. Python chỉ định hướng luồng giữa các phần và cung cấp các phần trừu tượng lập trình cấp cao để kết nối chúng với nhau.
Các ứng dụng tensorflow có thể chạy trên các đối tượng phổ biến nhất: máy cục bộ, cụm trong đám mây, thiết bị di động iOS và android, cpu hoặc gpu. Nếu bạn sử dụng đám mây của riêng Google, bạn có thể chạy tensorflow trên silicon trong đơn vị xử lý tensorflow tùy chỉnh của Google (tpu) để tăng tốc mọi thứ hơn nữa. Các mô hình được tạo bởi tensorflow có thể được triển khai trên hầu hết các thiết bị được sử dụng để dự đoán.
Tensorflow 2.0 được phát hành vào tháng 10 năm 2019 và dựa trên phản hồi của người dùng, khung đã được cải thiện theo nhiều cách để giúp sử dụng dễ dàng và hiệu quả hơn (ví dụ: bằng cách sử dụng các API keras liên quan đơn giản để đào tạo mô hình). Đào tạo phân tán dễ chạy hơn nhờ có các API mới và hỗ trợ cho tensorflow lite, cho phép triển khai các mô hình trên nhiều nền tảng khác nhau. Tuy nhiên, nếu bạn đã viết mã trên các phiên bản trước của tensorflow, bạn sẽ phải viết lại nó, đôi khi một chút, đôi khi khá nhiều, để tận dụng các tính năng mới của tensorflow 2.0.
Lợi ích từ tensorflow
Lợi ích rõ ràng nhưng quan trọng nhất mà tensorflow cung cấp cho lập trình máy học là tính trừu tượng. Thay vì phải đối phó với việc triển khai thuật toán tẻ nhạt hoặc tìm một cách thông minh để chuyển đổi đầu ra của một hàm thành đầu vào của một hàm khác, giờ đây bạn có thể tập trung vào logic tổng thể của ứng dụng của mình. tensorflow sẽ giải quyết phần còn lại cho bạn.
Ngoài ra, tensorflow cung cấp các tiện ích bổ sung cho các lập trình viên, những người cần gỡ lỗi và giúp bạn tìm hiểu sâu về ứng dụng tensorflow của mình. Chế độ thực thi háo hức cho phép bạn đánh giá và sửa đổi từng hoạt động biểu đồ một cách riêng lẻ và minh bạch, mà không cần phải xây dựng toàn bộ biểu đồ như một đối tượng riêng biệt khá mù mờ hoặc phải được đánh giá tổng thể. Cuối cùng, một tính năng khá độc đáo của tensorflow là tensorboard. tensorboard cho phép bạn hình dung những gì tensorflow đang làm.
Ngoài ra còn có nhiều cải tiến đối với tensorflow, được hỗ trợ bởi nhóm thương mại A-level của Google. Google không chỉ thúc đẩy sự phát triển nhanh chóng đằng sau dự án mà còn tạo ra một số dịch vụ độc đáo xung quanh tensorflow giúp dễ dàng triển khai và sử dụng: như TPU silicon mà tôi đã đề cập ở trên để cải thiện hiệu suất Google Cloud, một nền tảng trực tuyến để chia sẻ mô hình Các trung tâm được tạo bằng cách sử dụng khung, khung có sự hiện diện trong trình duyệt và thân thiện với thiết bị di động, v.v. …
Lưu ý: Trong một số công việc đào tạo, chi tiết triển khai của tensorflow rất ít nên rất khó xác định đầy đủ kết quả của mô hình được đào tạo. Đôi khi một mô hình được đào tạo trên một hệ thống sẽ hơi khác so với một mô hình được đào tạo trên hệ thống khác, ngay cả khi chúng sử dụng cùng một dữ liệu. Các lý do không xác định cũng khác nhau hoặc một số hành vi khi sử dụng gpu. Điều đó nói rằng, những vấn đề này có thể giải quyết được và nhóm tensorflow đang xem xét việc cung cấp nhiều quyền kiểm soát hơn để ảnh hưởng đến tính quyết định của quy trình làm việc.
Giới thiệu các thành phần dòng căng
Tensor
Tên của tensorflow có nguồn gốc trực tiếp từ khung cốt lõi của nó: tensor. Trong tensorflow, tất cả các tính toán liên quan đến tensor. Một tenxơ là một vectơ hoặc ma trận đại diện cho không gian n chiều của tất cả các loại dữ liệu. Tất cả các giá trị trong một tensor chứa cùng một kiểu dữ liệu với hình dạng đã biết (hoặc đã biết một phần). Hình dạng của dữ liệu là kích thước của ma trận hoặc mảng. Hàng chục có thể được lấy từ dữ liệu đầu vào hoặc kết quả tính toán. Trong tensorflow, tất cả các hoạt động được thực hiện trong 1 graph – đồ thị. Biểu đồ là một tập hợp các phép tính xảy ra liên tiếp. Mỗi thao tác được gọi là nút op và được kết nối với nhau. Sơ đồ phác thảo các hoạt động và kết nối giữa các nút. Tuy nhiên, nó không có giá trị. Các cạnh của một nút là tensor, một cách hoạt động trên dữ liệu đầu vào.
Đồ thị
tensorflow sử dụng khung đồ thị. Thiết lập biểu đồ và mô tả tất cả các trình tự tính toán được thực hiện trong quá trình đào tạo. graph cũng có nhiều ưu điểm: – nó có thể chạy trên nhiều cpus hoặc gpus, thậm chí cả OS trên các thiết bị di động. – Tính di động của biểu đồ cho phép giữ các phép tính để bạn sử dụng ngay lập tức hoặc sau này. Biểu đồ có thể được lưu để thực hiện trong tương lai. – Tất cả các phép tính trong đồ thị được thực hiện bằng cách nối các tenxơ lại với nhau. 1 tensor có 1 nút và 1 cạnh . Các nút làm toán và tạo ra kết quả cuối cùng. Các cạnh giải thích mối quan hệ đầu vào / đầu ra giữa các nút.
Danh sách các thuật toán nổi bật được hỗ trợ bởi tensorflow
Kể từ tensorflow 1.10, nó đã tích hợp sẵn api:
– Hồi quy tuyến tính: tf.estimator.linearregressor
– Phân loại: tf.estimator.linearclassifier
– Công cụ phân loại học sâu: tf.estimator.dnnclassifier
– Xóa và đào sâu: tf.estimator.dnnlinearcombinedclassifier
– Người vi phạm cây được tăng cường: tf.estimator.boostedtreesregressor
– Bộ phân loại cây được tăng cường: tf.estimator.boostedtreesclassifier
Ví dụ về dòng chảy căng đơn giản
Trong hai dòng mã đầu tiên, chúng tôi nhập tensorflow dưới dạng tf. Đối với python, một thông lệ phổ biến là sử dụng các chữ viết tắt của thư viện. Ưu điểm của việc này là tránh việc gõ tên đầy đủ của thư viện khi chúng ta cần sử dụng.
Ví dụ: chúng ta có thể nhập tensorflow dưới dạng tf và gọi tf khi chúng ta muốn sử dụng hàm tensorflow. Hãy thực hành quy trình công việc tensorflow cơ bản với ví dụ cơ bản sau: Tạo một đồ thị tính phép nhân 2 số. Chúng tôi nhân x_1 và x_2. tensorflow sẽ tạo một nút để kết nối với hoạt động. Trong ví dụ này, nó được gọi là phép nhân. Khi đồ thị được xác định, công cụ tính toán dòng chảy căng sẽ nhân x_1 và x_2.
Cuối cùng, chúng ta chạy 1 session TensorFlow mà sẽ chạy đồ thị tính toán với giá trị của X_1 và X_2 và print phần kết quả của phép nhân. Hãy xác định các input node của X_1 và X_2. Khi ta tạo 1 node trong TensorFlow, chúng ta phải chọn nó là loại node gì. Các node X1 và X2 sẽ là node placeholder – node giữ chỗ. Placeholder chỉ định 1 giá trị mới mỗi khi ta làm 1 phép tính. Ta sẽ tạo chúng như là 1 node TF chấm placeholder.
Bước 1: Xác định giá trị
Khi chúng tôi tạo trình giữ chỗ nút, chúng tôi phải gửi kiểu dữ liệu sẽ được đánh số ở đây để chúng tôi có thể sử dụng kiểu dữ liệu float, sử dụng tf.float32. Chúng ta cũng cần đặt tên cho nút này. Tên này xuất hiện khi bạn xem trực quan đồ họa của mô hình. Hãy đặt tên cho nút này là x_1 bằng cách nhập 1 tham số gọi theo tên, 1 trong số đó là x_1, bây giờ hãy xác định x_2 theo cách tương tự.
Bước 2: Xác định phép tính
Bây giờ chúng ta có thể xác định các nút sẽ thực hiện phép nhân. Trong tensorflow, chúng ta có thể làm điều này bằng cách tạo các nút tf.multiply. Chúng tôi nhập các nút x_1 và x_2 vào nút hạt nhân. Nó yêu cầu tensorflow kết nối các nút đó trong đồ thị tính toán, vì vậy chúng tôi yêu cầu nó trích xuất các giá trị từ x và y và nhân kết quả. Đặt tên cho nút Nhân là Phép nhân. Đây là định nghĩa đầy đủ của đồ thị tính toán đơn giản này.
Bước 3: Thực hiện Hành động
Để thực hiện các thao tác trong biểu đồ, chúng ta phải tạo một phiên. Trong tensorflow, nó được thực hiện bằng cách sử dụng tf.session (). Bây giờ chúng ta có một phiên, chúng ta có thể chạy tính toán bằng cách gọi phiên. Để chạy tính toán, chúng ta sẽ sử dụng run. Thao tác append sẽ thấy rằng nó cần nhận các giá trị của các nút x_1 và x_2, vì vậy chúng tôi cũng cần cung cấp các giá trị của x_1 và x_2. Chúng ta có thể sử dụng nó bằng cách cung cấp một tham số gọi là feed_dict. Chúng tôi chuyển các giá trị 1,2,3 cho x_1 và 4,5,6 cho x_2. Chúng tôi in kết quả bằng print (kết quả). Đối với 1 × 4, 2 × 5 và 3,6, chúng ta sẽ thấy 4, 10 và 18.
Các tùy chọn để tải dữ liệu vào tensorflow
Bước đầu tiên trước khi đào tạo thuật toán máy học là tải dữ liệu. Có hai cách phổ biến để tải dữ liệu: 1. Nạp dữ liệu vào bộ nhớ: Đây là cách dễ nhất. Bạn tải tất cả dữ liệu vào bộ nhớ dưới dạng một mảng duy nhất. Bạn cũng có thể viết mã bằng python. Vài dòng mã này không liên quan gì đến tensorflow.
2. đường ống dẫn dữ liệu tensorflow. tensorflow có các API tích hợp sẽ giúp bạn dễ dàng tải dữ liệu, thực hiện các hoạt động và phục vụ các thuật toán máy học. Phương pháp này hoạt động tốt, đặc biệt là khi bạn có bộ dữ liệu lớn. Ví dụ, hình ảnh kết quả được biết là quá lớn để vừa với bộ nhớ. Datapipe sẽ tự quản lý bộ nhớ.
Giải pháp là gì?
Tải dữ liệu vào bộ nhớ
Nếu tập dữ liệu của bạn không quá lớn, chẳng hạn như nhỏ hơn 10 gb, bạn có thể sử dụng phương pháp đầu tiên. Dữ liệu có thể dễ dàng phù hợp với bộ nhớ. Bạn cũng có thể nhập tệp csv bằng thư viện nổi tiếng có tên là pandas. 1
Tải dữ liệu bằng cách sử dụng đường ống dòng căng
Phương pháp thứ hai hoạt động tốt nhất nếu tập dữ liệu của bạn lớn. Ví dụ: nếu bạn có bộ dữ liệu 50 gb và máy tính của bạn chỉ có 16 gb, thì rõ ràng là nó sẽ bị lỗi.
Trong trường hợp này, bạn cần phải xây dựng một đường ống dẫn dòng chảy căng thẳng. Đường ống sẽ tải dữ liệu theo lô hoặc nhiều phần nhỏ. Mỗi lô sẽ được đẩy đến đường ống và sẵn sàng để đào tạo. Xây dựng đường ống là một giải pháp tuyệt vời vì nó cũng cho phép bạn sử dụng tính toán song song. Điều này có nghĩa là tensorflow sẽ đào tạo mô hình trên nhiều cp. Tăng tốc độ tính toán và cho phép đào tạo các mạng nơ-ron mạnh mẽ hơn. Tóm tắt:
– Nếu bạn có một tập dữ liệu nhỏ, bạn có thể tải dữ liệu vào bộ nhớ bằng thư viện gấu trúc.
– Nếu bạn có một tập dữ liệu lớn và muốn sử dụng nhiều cpu, thì bạn sẽ thấy thoải mái hơn khi sử dụng đường ống tensorflow.
Tạo đường ống dẫn dòng chảy
Trong ví dụ trước, chúng tôi đã thêm 3 giá trị vào x_1 và x_2 theo cách thủ công. Bây giờ chúng ta sẽ xem cách tải dữ liệu vào tensorflow.
Bước 1: Tạo dữ liệu
Đầu tiên, hãy tạo 2 giá trị ngẫu nhiên bằng cách sử dụng thư viện numpy.
Bước 2: Tạo trình giữ chỗ
Như trong ví dụ trước, chúng tôi tạo một trình giữ chỗ có tên là x. Chúng ta cần xác định rõ ràng hình dạng của tensorflow. Trong một số trường hợp, chúng tôi sẽ tải một mảng chỉ có 2 giá trị. Chúng ta có thể viết hình dạng là shape = [1,2]
Bước 3: Cách xác định tập dữ liệu
Tiếp theo, chúng ta cần xác định tập dữ liệu nơi chúng ta có thể nhập giá trị của trình giữ chỗ x. Chúng ta cần sử dụng phương thức tf.data.dataset.from_tensor_slices
Bước 4: Tạo đường dẫn
Trong bước này, chúng tôi cần khởi tạo đường dẫn nơi dữ liệu chảy qua. Chúng ta cần tạo một trình lặp bằng make_initializable_iterator. Đặt tên nó là trình lặp. Sau đó, chúng ta cần gọi trình lặp này để cung cấp lô dữ liệu tiếp theo, get_next. Chúng tôi đặt tên cho bước này là get_next. Lưu ý điều này trong ví dụ của tôi vì chỉ có 1 lô dữ liệu có 2 giá trị.
Bước 5: Thực hiện Hành động
Bước cuối cùng giống với ví dụ trước. Chúng tôi khởi tạo một phiên và chạy trình lặp hoạt động. Chúng tôi cung cấp các giá trị do numpy tạo vào feed_dict. 2 giá trị này đi vào trình giữ chỗ x. Sau đó, chúng tôi chạy get_next để in kết quả.
10 tài liệu lập trình tốt nhất về tensorflow
1 – Học tập tensorflow 2.0: Triển khai Mô hình Học máy và Học sâu bằng Python
học tensorflow 2.0 là một cuốn sách của pramod singh và avish phân. Cuốn sách bắt đầu với phần giới thiệu về khung tensorflow 2.0 và những thay đổi lớn so với phiên bản trước. Cuốn sách cũng tập trung vào việc xây dựng các mô hình “học máy có giám sát” bằng cách sử dụng tensorflow.
tìm hiểu tensorflow cũng dạy bạn cách xây dựng mô hình bằng Công cụ ước tính khách hàng. Bạn sẽ học cách xây dựng mô hình học máy và học sâu bằng tensorflow. Tất cả các đoạn mã trong cuốn sách này có thể được lấy dưới dạng các đoạn mã thực thi trên github, bạn có thể dễ dàng thực hành.
2 – Học sâu nâng cao với tensorflow 2 và keras
Học sâu nâng cao với tensorflow 2 và keras là cuốn sách của tác giả rowel atienza dạy bạn các kỹ thuật học sâu nâng cao hiện có ngày nay.
Nó cũng dạy bạn học sâu và học không giám sát bằng cách sử dụng thông tin định nghĩa đối tượng liên quan (SSD). Cuốn sách này sẽ hướng dẫn bạn cách tạo ra trí tuệ nhân tạo. Sử dụng hiệu quả công nghệ tiên tiến nhất hiện nay. Trong khi thực hiện học sâu nâng cao với tensorflow 2 và keras, bạn cũng sẽ tìm hiểu về gans và cách chúng mở khóa các cấp hiệu suất mới cho trí tuệ nhân tạo.
3 – dòng chảy căng thẳng trong 1 ngày
Tìm hiểu tensorflow trong 1 ngày? Nghe có vẻ ảo, nhưng trong cuốn sách này của tác giả krishna rangta, nó sẽ dạy bạn những môn khó bằng tiếng Anh một cách dễ tiếp cận nhất. Nó cũng đi kèm với các biểu đồ, tính toán mạnh mẽ. Cuốn sách này được nhiều nhà khoa học dữ liệu khuyên dùng vì nó cung cấp những hình dung về mạng nơ-ron khi sử dụng tensorboard.
Học sâu được đề cập trong cuốn sách là gì? , Học máy và Học máy. Học sâu, tensorflow là gì? Cũng như các chủ đề nâng cao hơn như máy tính xách tay jupyter, tensorflow trên aws, v.v. … một thứ tuyệt đối phải có cho bất kỳ ai mới bắt đầu với tensorflow.
4 – tinyml: máy học với tensorflow lite trên arduino và vi điều khiển công suất cực thấp
tinyml: Machine Learning với tensorflow lite là một cuốn sách của petewarden và daniel situnayke. Với tài liệu tham khảo thực hành này, bạn sẽ bước vào lĩnh vực của tinyml. Nó bao gồm học sâu kết hợp với các hệ thống nhúng để tạo ra những điều tuyệt vời nhất với các thiết bị nhỏ bé.
Cuốn sách nhỏ xíu này rất phù hợp cho những người lập trình phần mềm và lập trình phần cứng, đặc biệt là những người muốn xây dựng hệ thống nhúng bằng máy học.
5 – Xử lý ngôn ngữ tự nhiên với tensorflow: Dạy ngôn ngữ cho máy móc sử dụng thư viện học sâu của Python
Xử lý ngôn ngữ tự nhiên với tensorflow là một cuốn sách của husan ganefedara. Bạn sẽ học cách áp dụng các mô hình rnn hiệu suất cao, các đơn vị trí nhớ ngắn hạn (lstm) vào các tác vụ xử lý ngôn ngữ tự nhiên. Bạn cũng có thể khám phá Dịch máy thần kinh và thực hiện Dịch máy thần kinh.
Sau khi đọc cuốn sách này, bạn sẽ hiểu rõ hơn về công nghệ nlp, có thể áp dụng tensorflow cho các ứng dụng học sâu nlp và cách thực hiện các tác vụ nlp cụ thể.
6 – dự án máy học tensorflow: 13 dự án trong thế giới thực với tính toán số nâng cao sử dụng hệ sinh thái python
Dự án máy học tensorflow là một cuốn sách được đồng tác giả bởi ba tác giả: ankit jain, armando fandango và amita kapoor. Nó sẽ dạy bạn cách xây dựng các dự án nâng cao và bạn sẽ có thể giải quyết nhiều thách thức phổ biến bằng cách sử dụng các thư viện từ hệ sinh thái tensorflow.
Ngoài ra, tmlp dạy bạn cách xây dựng các dự án đa dạng bằng cách sử dụng tên miền trong thế giới thực, bộ mã tự động, hệ thống đề xuất, học tập củng cố, v.v. Khi kết thúc phần tham khảo này, bạn sẽ có kiến thức chuyên môn cần thiết để xây dựng các dự án máy học.
7 – Tầm nhìn máy tính thực hành với tensorflow 2: Tận dụng Học sâu để tạo ra các ứng dụng xử lý hình ảnh mạnh mẽ sử dụng tensorflow 2.0 và keras
Thị giác máy tính thực hành với tensorflow 2 của benjamin planche và eliot andres. Cuốn sách này sẽ giúp bạn khám phá khung học máy mã nguồn mở này của Google. Bạn sẽ học cách hưởng lợi từ việc sử dụng mạng nơ-ron tích tụ (cnns) cho các tác vụ trực quan hóa.
Cuốn sách này bắt đầu với những kiến thức cơ bản về thị giác máy tính và học sâu. Cuốn sách cũng hướng dẫn bạn cách xây dựng mạng nơ-ron từ đầu và giúp bạn sử dụng các giải pháp hiện đại như inception và resnet để phân loại hình ảnh và trích xuất nội dung cụ thể bằng các phương pháp. Bạn chỉ xem nó một lần (yolo).
Cuối cùng, bạn sẽ học được cả kỹ năng lý thuyết và thực hành. Nó cũng có thể giúp bạn giải quyết các vấn đề về thị lực máy tính nâng cao.
8 – Học sâu chuyên nghiệp với tensorflow: Phương pháp tiếp cận toán học đối với trí tuệ nhân tạo nâng cao trong Python
Được viết bởi santanu pattanayak, Học sâu chuyên nghiệp với tensorflow cung cấp cho bạn sự hiểu biết rõ ràng về toán học và trực giác. Nó sẽ giúp bạn phát minh ra các cấu trúc và giải pháp học sâu mới của riêng mình.
Cuốn sách này cũng cung cấp các bài tập thực hành chuyên nghiệp cho phép bạn học cách học sâu mà không cần biết gì. Cuốn sách pdlwt sẽ giúp bạn bắt đầu và chạy nhanh chóng khi sử dụng tensorflow và tối ưu hóa các kiến trúc học sâu khác nhau.
Mang đến các khái niệm thực tế đa dạng về học sâu phù hợp với bất kỳ ngành nào. Mã trong các tài liệu tham khảo cũng có thể được tìm thấy trong sổ ghi chép scrypt và ipython.
9 – Học sâu thực tế cho đám mây, thiết bị di động và Edge: AI cho các dự án thế giới thực và thị giác máy tính sử dụng python, keras & amp; tensorflow
Học sâu thực tế cho đám mây, thiết bị di động và Edge là một cuốn sách của anirudh koul, siddha ganju và meher kasam. Nếu bạn muốn xây dựng các ứng dụng học sâu thực tế cho đám mây, thiết bị di động hoặc trình duyệt, cuốn sách này là dành cho bạn.
Những cuốn sách dạy bạn quá trình biến ý tưởng thành thứ mà mọi người có thể sử dụng. Cuốn sách cũng hướng dẫn bạn cách phát triển trí tuệ nhân tạo trong nhiều loại thiết bị, bao gồm Raspberry Pi và Google Coral. Bạn sẽ nhận được nhiều mẹo thiết thực để tối đa hóa độ chính xác và tốc độ của mô hình của bạn.
10 – Học sâu: Phương pháp tiếp cận của một học viên
Cuốn sách này bắt buộc phải có nếu bạn học tập và làm việc trong lĩnh vực học sâu. Do Josh Patterson và Adam Gibson viết kịch bản. Hướng dẫn thực hành này không chỉ cung cấp thông tin thiết thực nhất về học sâu mà còn giúp bạn bắt đầu xây dựng mạng lưới học sâu hiệu quả.
Bạn sẽ tìm hiểu lý thuyết chung về học sâu trước khi tìm hiểu nguồn mở deeplearning4j (dl4j) của tác giả, một thư viện để phát triển quy trình công việc trong sản xuất. Sử dụng các ví dụ, bạn sẽ dễ dàng học các phương pháp và chiến thuật.
Tóm tắt Tensorflow
Trong những năm gần đây, tensorflow là thư viện học sâu nổi tiếng nhất. Người dùng tensorflow có thể xây dựng bất kỳ cấu trúc học sâu nào như cnn, rnn hoặc mạng nơ-ron nhân tạo. tensorflow được sử dụng phổ biến nhất bởi các học viện, công ty khởi nghiệp và các tập đoàn lớn. Google sử dụng tensorflow trong hầu hết các sản phẩm hàng ngày của họ. Bao gồm gmail, hình ảnh và hệ thống tìm kiếm google. Người dùng thích tensorflow vì bạn có thể triển khai trên quy mô rất dễ dàng và nó có thể chạy trên đám mây hoặc bất kỳ thiết bị di động nào như ios hoặc android. Nhóm Google Brain đã phát triển tensorflow để thu hẹp khoảng cách giữa các nhà nghiên cứu và nhà phát triển sản phẩm. Vào năm 2015, họ đã công khai tensorflow và nó dần trở nên phổ biến. Ngày nay, tensorflow đã trở thành thư viện học sâu có nhiều repo nhất trên github.
Đừng bỏ lỡ bài viết tuyệt vời này về tensorflow và ai trên topdev:
Xem các tác phẩm tuyệt vời khác trên topdev
