深度学习原理与实践(开源图书)-总目录,建议收藏,告别碎片阅读!
文本介绍Tensorflow的架构,Tensorflow内置数据集,Tensorflow内置模型、内置可视化支持和相关在线资源。Tensorflow一个高度模块化的神经网络库,支持GPU和CPU。TensorFlow是一个使用数据流图进行数值计算的开源软件库。TensorFlow最初是由研究人员和工程师在Google机器智能研究组织的Google Brain团队开发的,目的是进行机器学习和深度神经网络研究。 该系统通用性足以适用于各种其他领域。
TensorFlow最初是由研究人员和工程师在Google机器智能研究组织的Google Brain团队开发的,目的是进行机器学习和深度神经网络研究。 该系统通用性足以适用于各种其他领域。
TensorFlow是一个使用数据流图进行数值计算的开源软件库。 图形节点表示数学运算,而图形边缘表示在它们之间流动的多维数据阵列(张量)。 这种灵活的体系结构使您可以将计算部署到桌面,服务器或移动设备中的一个或多个CPU或GPU,而无需重写代码。 TensorFlow还包括TensorBoard,一种数据可视化工具包。
Tensoerflow支持的高级特性:
Tensorflow的原理和架构,见下图。
from tensorflow.python import keras
(x_train, y_train), (x_test, y_test) = keras.datasets.boston_housing.load_data()
from tensorflow.python import keras
(x_train, y_train), (x_test, y_test) = keras.datasets.imdb.load_data(path="imdb.npz",
总数据集:11228条新闻专线,46个主题。
from tensorflow.python import keras
(x_train, y_train), (x_test, y_test) = keras.datasets.reuters.load_data(path="reuters.npz", ....)
from tensorflow.python import keras
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
from tensorflow.python import keras
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
from tensorflow.python import keras
(x_train, y_train), (x_test, y_test) = keras.datasets.cifar10.load_data()
from tensorflow.python import keras
(x_train, y_train), (x_test, y_test) = keras.datasets.cifar100.load_data()
TensorFlow Model Zoo
官方模型是使用TensorFlow的高级API的示例模型的集合。 它们旨在通过最新的稳定TensorFlow API进行良好维护,测试并保持最新。 它们还应进行合理优化,以便在保持易读性的同时实现快速性能。 我们特别推荐新的TensorFlow用户从这里开始。
研究模型是研究人员在TensorFlow中实施的大量模型。 它们没有得到官方支持或在发布分支中可用; 由个体研究人员来维护模型和/或提供问题和拉取请求的支持。
Tensorflow支持Keras的API。Keras提供了预训练的深度学习模型,这些模型可用于预测,特征提取和微调。Keras接口的模型使用方法,请参考文档Keras Application。
使用Keras Applications和2012年ILSVRC ImageNet验证集上的TensorFlow后端获得top-k错误,可能与原始版本略有不同。除NASNetLarge(331x331),InceptionV3(299x299),InceptionResNetV2(299x299)和Xception(299x299)外,所有型号的输入大小均为224x224。
使用ImageNet训练的权重进行图像分类的Keras模型:
数据说明: Top-1和Top-5准确度是指模型在ImageNet验证数据集上的性能。
数据来源:keras-team/keras-applications
你将使用TensorFlow进行的计算 - 比如训练一个庞大的深度神经网络 - 可能是复杂和令人困惑的。为了更容易理解,调试和优化TensorFlow程序,我们提供了一套名为TensorBoard的可视化工具。您可以使用TensorBoard可视化您的TensorFlow图,绘制有关图表执行的量化指标,并显示其他数据,如通过它的图像。
使用TensorBoard的第一步从TensorFlow运行中获取数据,获取数据的操作成为摘要操作或汇总操作。摘要操作包含2个步骤: 它们生成的Tensors包含序列化的protobufs,它们写入磁盘并发送到TensorBoard。TensorBoard支持的摘要操作包括:
关于模型可视化的在线案例: