виведіть глибоке навчання на новий рівень за допомогою SGD, Nesterov momentum, RMSProp, Theano, TensorFlow та використання графічного процесора на AWS.
Цей курс продовжується там, де закінчився мій перший курс, глибоке навчання на Python. Ви вже знаєте, як побудувати штучну нейронну мережу на Python, і у вас є скрипт plug-and-play, який ви можете використовувати для TensorFlow. Нейронні мережі є одним з основних компонентів машинного навчання, і вони завжди є головними конкурентами в конкурсах Kaggle. Якщо ви хочете вдосконалити свої навички роботи з нейронними мережами та глибоким навчанням, цей курс для вас.
Ви вже дізналися про зворотне поширення, але залишилося багато питань без відповідей. Як ви можете змінити його, щоб поліпшити швидкість тренування? У цьому курсі ви дізнаєтесь про пакетний та стохастичний градієнтний спуск, два часто використовувані методи, які дозволяють тренуватися лише на невеликій вибірці даних на кожній ітерації, значно прискорюючи час навчання.
Ви також дізнаєтеся про імпульс, який може бути корисним для проходження місцевих мінімумів і позбавить вас від необхідності бути занадто консервативним щодо швидкості навчання. Ви також дізнаєтесь про методи адаптивної швидкості навчання, такі як AdaGrad, RMSProp та Adam, які також можуть допомогти прискорити навчання.
Оскільки ви вже знаєте про основи нейронних мереж, ми поговоримо про більш сучасні методи, такі як регуляризація відсіву та пакетна нормалізація, які ми впровадимо як у TensorFlow, так і в Theano. Курс постійно оновлюється, і в найближчому майбутньому з'являться більш просунуті методи регуляризації.
на моєму останньому курсі я просто хотів дати вам трохи уявлення про TensorFlow. У цьому курсі ми почнемо з основ, щоб Ви точно зрозуміли, що відбувається - що таке змінні та вирази TensorFlow і як ви можете використовувати ці будівельні блоки для створення нейронної мережі? Ми також розглянемо бібліотеку, яка існує набагато довше і дуже популярна для глибокого навчання - Theano. За допомогою цієї бібліотеки ми також розглянемо основні будівельні блоки - змінні, вирази та функції - щоб ви могли впевнено створювати нейронні мережі в додатку.
Теано був попередником усіх сучасних бібліотек глибокого навчання на сьогоднішній день. Сьогодні у нас майже занадто багато варіантів. Keras, PyTorch, CNTK (Microsoft), MXNet (Amazon/Apache) та ін. У цьому курсі ми розглянемо все це! Виберіть ту, яку ви найбільше любите.
Оскільки однією з головних переваг TensorFlow і Theano є можливість використовувати графічний процесор для прискорення навчання, я покажу вам, як налаштувати GPU-екземпляр на AWS і порівняти швидкість CPU і GPU для навчання глибокої нейронної мережі.
З усією цією додатковою швидкістю ми розглянемо реальний набір даних-знаменитий набір даних MNIST (зображення рукописних цифр) і порівняємо з різними еталонами. Це набір даних, на який дослідники дивляться в першу чергу, коли хочуть задати питання: "Чи працює ця річ?"
Ці зображення є важливою частиною історії глибокого навчання і досі використовуються для тестування. Кожен експерт з глибокого навчання повинен добре їх знати.
Цей курс стосується "як створювати та розуміти", а не просто "як користуватися". Будь-хто може навчитися використовувати API за 15 хвилин після прочитання деякої документації. Йдеться не про" запам'ятовування фактів", а про те, щоб" побачити все своїми очима " за допомогою експериментів. Це навчить вас, як візуалізувати те, що відбувається всередині моделі. Якщо ви хочете більше, ніж просто поверхневий погляд на моделі машинного навчання, цей курс для вас.
Посилання
https://privatelink.de/?https://www.udemy.com/data-science-deep-learning-in-theano-tensorflow/