A.1 安装Python科学套件
A.2 设置GPU支持
A.3 安装Theano
A.4 安装Keras
人工智能python实现-在Ubuntu上安装Keras及其依赖
A.1 安装Python科学套件
A.2 设置GPU支持
A.3 安装Theano
A.4 安装Keras
A.1 安装Python科学套件
A.2 设置GPU支持
A.3 安装Theano
A.4 安装Keras
A.1 安装Python科学套件
A.2 设置GPU支持
A.3 安装Theano
A.4 安装Keras
9.4 了解一个快速发展领域的最新进展
9.4.1 使用 Kaggle练习解决现实世界的问题 .
9.4.2 在 arXiv阅读最新进展
9.4.3 探索 Keras生态系统
9.4 了解一个快速发展领域的最新进展
9.4.1 使用 Kaggle练习解决现实世界的问题 .
9.4.2 在 arXiv阅读最新进展
9.4.3 探索 Keras生态系统
9.3 深度学习的未来
9.3.1 模型即程序
9.3.2 超越反向传播和可微层
9.3.3 自动化机器学习
9.3.4 终身学习与模块化子程序复用
9.3.5 长期愿景
9.3 深度学习的未来
9.3.1 模型即程序
9.3.2 超越反向传播和可微层
9.3.3 自动化机器学习
9.3.4 终身学习与模块化子程序复用
9.3.5 长期愿景
9.2 深度学习的局限性
9.2.1 将机器学习模型拟人化的
9.2.2 局部泛化与极端泛化
9.2 深度学习的局限性
9.2.1 将机器学习模型拟人化的
9.2.2 局部泛化与极端泛化
9.1 重点内容回顾
9.1.1 人工智能的各种方法
9.1.2 深度学习在机器学习领域
9.1.3 如何看待深度学习
9.1.4 关键的推动技术
9.1.5 机器学习的通用工作流程
9.1.6 关键网络架构
9.1.7 可能性空间
9.1 重点内容回顾
9.1.1 人工智能的各种方法
9.1.2 深度学习在机器学习领域
9.1.3 如何看待深度学习
9.1.4 关键的推动技术
9.1.5 机器学习的通用工作流程
9.1.6 关键网络架构
9.1.7 可能性空间
8.5 生成式对抗网络简介
8.5.1 GAN的简要实现流程
8.5.2 大量技巧
8.5.3 生成器
8.5.4 判别器
8.5.5 对抗网络
8.5.6 如何训练 DCGAN
8.5 生成式对抗网络简介
8.5.1 GAN的简要实现流程
8.5.2 大量技巧
8.5.3 生成器
8.5.4 判别器
8.5.5 对抗网络
8.5.6 如何训练 DCGAN
8.4 用变分自编码器生成图像
8.4.1 从图像的潜在空间中采样
8.4.2 图像编辑的概念向量
8.4.3 变分自编码器
8.4 用变分自编码器生成图像
8.4.1 从图像的潜在空间中采样
8.4.2 图像编辑的概念向量
8.4.3 变分自编码器
8.3 神经风格迁移
8.3.1 内容损失
8.3.2 风格损失
8.3.3 用 Keras实现神经风格迁移
8.3 神经风格迁移
8.3.1 内容损失
8.3.2 风格损失
8.3.3 用 Keras实现神经风格迁移
8.2 DeepDream
8.2.1 用 Keras实现 DeepDream
8.2 DeepDream
8.2.1 用 Keras实现 DeepDream
8.1 使用 LSTM生成文本
8.1.1 生成式循环网络简史
8.1.2 如何生成序列数据
8.1.3 采样策略的重要性
8.1.4 实现字符级的 LSTM文本
8.1 使用 LSTM生成文本
8.1.1 生成式循环网络简史
8.1.2 如何生成序列数据
8.1.3 采样策略的重要性
8.1.4 实现字符级的 LSTM文本