人工智能python实现-新闻分类:多分类问题

3.5 新闻分类:多分类问题
3.5.1 路透社数据集
3.5.2 准备数据
3.5.3 构建网络
3.5.4 验证你的方法
3.5.5 在新数据上生成预测结果
3.5.6 处理标签和损失的另一种方法
3.5.7 中间层维度足够大的重要性
3.5.8 进一步的实验

3.5 新闻分类:多分类问题
3.5.1 路透社数据集
3.5.2 准备数据
3.5.3 构建网络
3.5.4 验证你的方法
3.5.5 在新数据上生成预测结果
3.5.6 处理标签和损失的另一种方法
3.5.7 中间层维度足够大的重要性
3.5.8 进一步的实验

人工智能python实现-IMDB数据集

3.4 电影评论分类:二分类问题
3.4.1 IMDB数据集
3.4.2 准备数据
3.4.3 构建网络
3.4.4 验证你的方法
3.4.5 使用训练好的网络在新数据上生成预测结果 ….
3.4.6 进一步的实验

3.4 电影评论分类:二分类问题
3.4.1 IMDB数据集
3.4.2 准备数据
3.4.3 构建网络
3.4.4 验证你的方法
3.4.5 使用训练好的网络在新数据上生成预测结果 ….
3.4.6 进一步的实验

人工智能python实现-建立深度学习工作站

3.3 建立深度学习工作站
3.3.1 Jupyter笔记本:运行深度学习
3.3.2 运行 Keras:两种选择
3.3.3 在云端运行深度学习任务:
3.3.4 深度学习的最佳 GPU

3.3 建立深度学习工作站
3.3.1 Jupyter笔记本:运行深度学习
3.3.2 运行 Keras:两种选择
3.3.3 在云端运行深度学习任务:
3.3.4 深度学习的最佳 GPU

人工智能python实现-神经网络的“引擎”:基于梯度的优化

2.4神经网络的“引擎”:基于梯度的优化
2.4.1 什么是导数
2.4.2 张量运算的导数:梯度
2.4.3 随机梯度下降
2.4.4 链式求导:反向传播算法
2.5 回顾第一个例子

2.4神经网络的“引擎”:基于梯度的优化
2.4.1 什么是导数
2.4.2 张量运算的导数:梯度
2.4.3 随机梯度下降
2.4.4 链式求导:反向传播算法
2.5 回顾第一个例子

人工智能python实现-神经网络的“齿轮”:张量运算

2.3神经网络的“齿轮”:张量运算
2.3.1 逐元素运算
2.3.2 广播
2.3.3 张量点积
2.3.4 张量变形
2.3.5 张量运算的几何解释
2.3.6 深度学习的几何解释

2.3神经网络的“齿轮”:张量运算
2.3.1 逐元素运算
2.3.2 广播
2.3.3 张量点积
2.3.4 张量变形
2.3.5 张量运算的几何解释
2.3.6 深度学习的几何解释

人工智能python实现-神经网络的数据表示

前面例子使用的数据存储在多维 Numpy数组中,也叫张量(tensor)。一般来说,当前所有机器学习系统都使用张量作为基本数据结构。张量对这个领域非常重要,重要到 Google的TensorFlow都以它来命名。那么什么是张量?

前面例子使用的数据存储在多维 Numpy数组中,也叫张量(tensor)。一般来说,当前所有机器学习系统都使用张量作为基本数据结构。张量对这个领域非常重要,重要到 Google的TensorFlow都以它来命名。那么什么是张量?

人工智能python实现-初识神经网络

人工神经网络(Artificial Neural Network,即ANN )
我们来看一个具体的神经网络示例,使用 Python的 Keras库来学习手写数字分类。如果你没用过 Keras或类似的库,可能无法立刻搞懂这个例子中的全部内容。

人工神经网络(Artificial Neural Network,即ANN )
我们来看一个具体的神经网络示例,使用 Python的 Keras库来学习手写数字分类。如果你没用过 Keras或类似的库,可能无法立刻搞懂这个例子中的全部内容。