Публикации по теме 'neural-networks'
Методы нормализации в глубоких нейронных сетях
Нормализация всегда была активной областью исследований в области глубокого обучения. Методы нормализации могут во много раз сократить время обучения вашей модели. Позвольте мне указать некоторые преимущества использования нормализации.
Он нормализует каждую функцию, чтобы они поддерживали вклад каждой функции, поскольку некоторые функции имеют более высокое числовое значение, чем другие. Таким образом, наша сеть может быть беспристрастной (к более ценным функциям). Это уменьшает..
Краткое введение в глубокое обучение
Глубокое обучение — это мощная ветвь машинного обучения, которая инициирует работу человеческого мозга. Глубокое обучение — это наука о самоуправляемых автомобилях, классифицирующая изображения, тексты или аудио. Он играет ключевую роль в таких устройствах, как Alexa, Google Home.
Сегодня глубокое обучение применяется практически во всех отраслях, от электронной коммерции до здравоохранения, и оно продолжает устанавливать новые рекорды. Модели глубокого обучения могут достигать..
Настройка нейронных сетей, часть II
Соображения по инициализации
Эта серия статей призвана обеспечить глубокое понимание нейронных сетей путем изучения того, как параметры настройки могут повлиять на то, что и как они изучают. Содержание предполагает наличие некоторых предварительных знаний о нейронных сетях, которые вы можете получить, прочитав эту серию .
Часть I. Важность нормализации ваших данных
Часть III: Какие функции активации позволяют вам узнать
Начнем со следующей сети с одним скрытым слоем,..
Настройка гиперпараметров - Глубокие нейронные сети
Давайте поговорим о том, как мы можем настроить гиперпараметры, регуляризацию и оптимизацию для улучшения глубоких нейронных сетей без особых математических подробностей, но с пониманием концепций.
Прикладное машинное обучение - это очень итеративный процесс, включающий слои, скрытые блоки, скорость обучения, функции активации.
Прежде всего, как мы все знаем, перед обучением нейронной сети мы должны разделить данные на обучение , тест и проверку (разработчик | задержка). ...
Введение в нейронные сети
Всякий раз, когда мы ведем машину, в тот момент, когда мы видим красный свет или кого-то, кто собирается перейти дорогу, мы останавливаем машину. Это наш мозг посылает сигналы нашему телу, прося его сделать перерыв. Можно с уверенностью сказать, что человеческий мозг — самая удивительная машина из всех. Но кто посылает эти сигналы?? Это «нейроны». Человеческий мозг состоит из множества нейронов, которые посылают сигналы друг другу и помогают нам двигаться, реагировать и выполнять..
Как я увеличил точность на 1% за счет увеличения данных
Трудно отпустить то, во что вы вкладываете любовь. И да, я действительно думал, что закончил после 5-й статьи в этой серии , но потом… метрики точности / ошибок из примера MNIST начали преследовать меня, и я был совершенно уверен, что смогу улучшить их, реализовав еще один простой трюк: увеличение данных . Это оказалось легко реализовать, и результат был великолепен.
Прочитав эту статью, вы сможете опробовать одну из небольших нейронных сетей, которые я обучил на цифровых данных на..
От Scikit-learn к TensorFlow: часть 2
Продолжая с того места, где мы остановились, мы углубимся в то, как разрабатывать алгоритмы машинного обучения (ML) с помощью TensorFlow с точки зрения разработчика scikit-learn. Если вы хотите узнать причины перехода на TensorFlow, мотивацию, прочтите мой предыдущий пост Причины перехода на TensorFlow и простую программу классификации, которая подчеркивает сходство разработки для scikit-learn и TensorFlow.
В предыдущем посте мы сравнили соответствие и предсказание сходства парадигм в..
