Python 深度学习第二版（GPT 重译）（三）(3)
Python 深度学习第二版（GPT 重译）（三）(2)https://developer.aliyun.com/article/1485270 8.1 卷积网络简介 我们将要深入探讨卷积网络是什么以及为什么它们在计算机视觉任务中取得如此成功的理论。但首先，让我们从一个简单的卷积网络示例开始，该示例对 MNIST 数字进行分类，这是我们在第二章中使用全连接网络执行的任务（当时我们...
Python 深度学习第二版（GPT 重译）（三）(2)
Python 深度学习第二版（GPT 重译）（三）(1)https://developer.aliyun.com/article/1485269 7.3.1 编写自己的指标 指标对于衡量模型性能至关重要——特别是用于衡量模型在训练数据和测试数据上性能差异的指标。用于分类和回归的常用指标已经是内置的 keras.metrics 模块的一部分，大多数情况下您会使用它们。但是，如果您正...
Python 深度学习第二版（GPT 重译）（三）(1)
七、使用 Keras：深入探讨 本章涵盖 使用 Sequential 类、功能 API 和模型子类创建 Keras 模型 使用内置的 Keras 训练和评估循环 使用 Keras 回调函数自定义训练 使用 TensorBoard 监控训练和评估指标 从头开始编写训练和评估循环 您现在对 Keras 有了一些经验...
Python 深度学习第二版（GPT 重译）（二）(4)
Python 深度学习第二版（GPT 重译）（二）(3)https://developer.aliyun.com/article/1485264 MNIST 分类器的输入（预处理之前）是一个 28×28 的整数数组，取值范围在 0 到 255 之间。因此，可能的输入值总数是 256 的 784 次方——远远大于宇宙中的原子数量。然而，这些输入中很少有看起来像有效 MNIST 样本的：实际...
Python 深度学习第二版（GPT 重译）（二）(3)
Python 深度学习第二版（GPT 重译）（二）(2)https://developer.aliyun.com/article/1485263 四、入门神经网络：分类和回归 本章涵盖 您的第一个真实世界机器学习工作流示例 处理矢量数据上的分类问题 处理矢量数据上的连续回归问题 本章旨在帮助您开始使用神经网络解决实际问题。...
Python 深度学习第二版（GPT 重译）（二）(2)
Python 深度学习第二版（GPT 重译）（二）(1)https://developer.aliyun.com/article/1485262 5.1.2 深度学习中泛化性质的本质 深度学习模型的一个显著特点是，只要具有足够的表征能力，它们就可以被训练来拟合任何东西。 不相信？试着洗牌 MNIST 标签并在此基础上训练一个模型。尽管输入和洗牌标签之间没有任何关系，训练损...
Python 深度学习第二版（GPT 重译）（二）(1)
四、入门神经网络：分类和回归 本章涵盖 您的第一个真实世界机器学习工作流示例 处理矢量数据上的分类问题 处理矢量数据上的连续回归问题 本章旨在帮助您开始使用神经网络解决实际问题。您将巩固从第二章和第三章中获得的知识，并将所学应用于三个新任务，涵盖神经网络的三种最常见用例 — 二元分类、多类分类和标量回归： 将电...
Python 深度学习第二版（GPT 重译）（一）（4）
Python 深度学习第二版（GPT 重译）（一）（3）https://developer.aliyun.com/article/1485260 3.5.1 常量张量和变量 要在 TensorFlow 中做任何事情，我们需要一些张量。张量需要用一些初始值创建。例如，你可以创建全为 1 或全为 0 的张量（见列表 3.1），或者从随机分布中抽取值的张量（见列表 3.2）。 ...
Python 深度学习第二版（GPT 重译）（一）（3）
Python 深度学习第二版（GPT 重译）（一）（2）https://developer.aliyun.com/article/1485259 2.4.1 什么是导数？ 考虑一个连续、平滑的函数 f(x) = y，将一个数字 x 映射到一个新的数字 y。我们可以以图 2.15 中的函数作为例子。 ...
Python 深度学习第二版（GPT 重译）（一）（2）
Python 深度学习第二版（GPT 重译）（一）（1）https://developer.aliyun.com/article/1485258 这里是测试数据： >>> test_images.shape (10000, 28, 28) >>&g...
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。