人工智能python实现-TensorBoard简介

7.2 使用 Keras回调函数和TensorBoard来检查并监控深度学习模型
7.2.1 训练过程中将回调函数作用于
7.2.2 TensorBoard简介:TensorFlow

7.2 使用 Keras回调函数和TensorBoard来检查并监控深度学习模型
7.2.1 训练过程中将回调函数作用于
7.2.2 TensorBoard简介:TensorFlow

   

人工智能python实现-keras函数式API

7.1 不用Sequential模型的解决方案:Keras函数式 API
7.1.1 函数式 API简介
7.1.2 多输入模型
7.1.3 多输出模型
7.1.4 层组成的有向无环图
7.1.5 共享层权重
7.1.6 将模型作为层

7.1 不用Sequential模型的解决方案:Keras函数式 API
7.1.1 函数式 API简介
7.1.2 多输入模型
7.1.3 多输出模型
7.1.4 层组成的有向无环图
7.1.5 共享层权重
7.1.6 将模型作为层

人工智能python实现-用卷积神经网络处理序列

6.4 用卷积神经网络处理序列
6.4.1 理解序列数据的一维卷积
6.4.2 序列数据的一维池化
6.4.3 实现一维卷积神经网络
6.4.4 结合 CNN和 RNN来处理长序列

6.4 用卷积神经网络处理序列
6.4.1 理解序列数据的一维卷积
6.4.2 序列数据的一维池化
6.4.3 实现一维卷积神经网络
6.4.4 结合 CNN和 RNN来处理长序列

人工智能python实现-循环神经网络的高级用法

6.3 循环神经网络的高级用法
6.3.1 温度预测问题.
6.3.2 准备数据
6.3.3 一种基于常识的、非机器学习的基准方法
6.3.4 一种基本的机器学习方法
6.3.5 第一个循环网络基准
6.3.6 使用循环 dropout来降低过
6.3.7 循环层堆叠
6.3.8 使用双向RNN

6.3 循环神经网络的高级用法
6.3.1 温度预测问题.
6.3.2 准备数据
6.3.3 一种基于常识的、非机器学习的基准方法
6.3.4 一种基本的机器学习方法
6.3.5 第一个循环网络基准
6.3.6 使用循环 dropout来降低过
6.3.7 循环层堆叠
6.3.8 使用双向RNN