Las redes neuronales necesitan aprender:
De neuronas biológicas a neuronas artificiales
Funciones de activación Relu, Tanh, Sigmoide.
Comprender la clasificación de regresión logística a través de la topología de la red neuronal
Comprender la clasificación de regresión Softmax a través de la topología de la red neuronal
Resolver el problema de reducción de dimensionalidad de la actualización a través de capas ocultas de la red neuronal
p>p>
Analizado el motivo por el cual la función de activación de la capa oculta debe ser no lineal
Aplicación de la red neuronal en el módulo sklearn
Un estudio de caso sobre la predicción de la resistencia del cemento y dibujar la topología de la red neuronal
El algoritmo de retropropagación de BP debe aprender:
Propósito de la retropropagación de BP
Regla de la derivada de la cadena
BP derivación de propagación hacia atrás
La aplicación de diferentes funciones de activación en la propagación hacia atrás
La aplicación de diferentes funciones de pérdida en la propagación hacia atrás
Un caso práctico de implementación de redes neuronales en Python
Las herramientas de aprendizaje profundo de TensorFlow están diseñadas para:
Instalación de TF (incluida la instalación de CUDA y cudnn)
TF implementa la solución analítica de regresión lineal múltiple
TF implementa la degradación de gradiente de la regresión lineal múltiple
TF predice el caso del precio de la vivienda en California
TF implementa la regresión Softmax.
Caso del proyecto MNIST de reconocimiento de dígitos escritos a mano
Guardar y cargar el modelo de marco TF
8) TF implementa una red neuronal multicapa DNN.
9) Caso del proyecto de reconocimiento de dígitos escritos a mano MNIST de clasificación DNN
10) Visualización del módulo de tablero tensor
Estos son algunos de los conocimientos involucrados en el aprendizaje profundo. En términos generales, debe tener un conocimiento profundo de los algoritmos de redes neuronales y sus algoritmos de optimización, dominar el proceso de desarrollo de TensorFlow y completar tareas de regresión y clasificación mediante la implementación de redes neuronales. El marco TensorFlow es fácil de aprender y otros marcos de aprendizaje profundo como Keras y PyTorch son fáciles de dominar. Además, podrás realizar algunos combates prácticos para que puedas volverte más competente.