7.3 让模型性能发挥到极致
7.3.1 高级架构模式
7.3.2 超参数优化
7.3.3 模型集成
人工智能python实现-高级架构模式
7.3 让模型性能发挥到极致
7.3.1 高级架构模式
7.3.2 超参数优化
7.3.3 模型集成
7.3 让模型性能发挥到极致
7.3.1 高级架构模式
7.3.2 超参数优化
7.3.3 模型集成
7.3 让模型性能发挥到极致
7.3.1 高级架构模式
7.3.2 超参数优化
7.3.3 模型集成
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
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
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
主流开发语言的创始人都长什么样?
大家来围观。
主流开发语言的创始人都长什么样?
大家来围观。
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
6.2 理解循环神经网络
6.2.1 Keras中的循环层
6.2.2 理解 LSTM层和 GRU层
6.2.3 Keras中一个LSTM的具体例子
6.2 理解循环神经网络
6.2.1 Keras中的循环层
6.2.2 理解 LSTM层和 GRU层
6.2.3 Keras中一个LSTM的具体例子
人工智能python实现-处理文本数据
6.1 处理文本数据
6.1.1 单词和字符的 one-hot编码
6.1.2 使用词嵌入
6.1.3 整合在一起:从原始文本到词嵌入
人工智能python实现-处理文本数据
6.1 处理文本数据
6.1.1 单词和字符的 one-hot编码
6.1.2 使用词嵌入
6.1.3 整合在一起:从原始文本到词嵌入
5.4 卷积神经网络的可视化
5.4.1 可视化中间激活
5.4.2 可视化卷积神经网络的过滤器
5.4.3 可视化类激活的热力图
5.4 卷积神经网络的可视化
5.4.1 可视化中间激活
5.4.2 可视化卷积神经网络的过滤器
5.4.3 可视化类激活的热力图
人工智能:Python实现
《Artificial Intelligence with Python》
Introduction to Artificial Intelligence
What is AI ?
Why do we need to study AI?
人工智能:Python实现
《Artificial Intelligence with Python》
Introduction to Artificial Intelligence
What is AI ?
Why do we need to study AI?