政安晨的个人主页:政安晨
欢迎 👍点赞✍评论⭐收藏
收录专栏: TensorFlow与Keras实战演绎机器学习
希望政安晨的博客能够对您有所裨益,如有不足之处,欢迎在评论区提出指正!
本篇是作者政安晨的专栏《TensorFlow与Keras实战演绎机器学习》的总纲,专栏文章不断更新,这篇目录总纲也会随着专栏不断更新。
TensorFLow简述
TensorFlow给自己的定位是端到端机器学习平台,作者政安晨对TensorFlow的简述如下:
谷歌的TensorFlow是一个开源的机器学习框架,用于构建和训练各种机器学习模型。
它提供了一个高度灵活和可扩展的平台,可以在多种硬件平台上运行,包括移动设备和分布式系统。
TensorFlow的核心是数据流图,它表示了模型的计算过程。
用户可以定义计算图中的各种操作和变量,并使用TensorFlow的API来进行操作。
TensorFlow提供了丰富的操作库,包括数值运算、图像处理、文本处理等。用户可以根据自己的需求选择合适的操作来构建模型。
TensorFlow还提供了强大的自动求导功能,可以自动计算模型中各个参数的梯度。这使得用户可以方便地进行优化算法的实现和训练模型。
此外,TensorFlow还具有分布式计算的能力,可以在多台机器上进行并行计算。这使得TensorFlow可以处理大规模的数据和复杂的模型。
总之,TensorFlow是一个功能强大、灵活可扩展的机器学习框架,被广泛应用于各个领域,包括计算机视觉、自然语言处理、强化学习等。
导入和使用TensorFlow其实并不难:
import tensorflow as tf
关键是如何循序渐进地入门,并针对某个具体目标开展实例,并解决问题。
Keras简述
Keras给自己的定位是一个用 Python 编写的高级神经网络 API,作者政安晨对Keras的简述如下:
Keras是一个开源的高级神经网络库,用于构建和训练深度学习模型。
它是Python编程语言的接口,能够在多种深度学习框架的后端运行,包括TensorFlow、Theano和CNTK、PyTorch等。Keras的设计目标是让用户能够快速、简单地实现和迭代神经网络模型。
Keras提供了一系列丰富的工具和功能,方便用户进行模型构建、层的堆叠、优化算法的选择和训练过程的监控等。
它提供了一种直观的、具有模块化特性的方式来定义模型,可以通过简单地将预定义的层进行堆叠和连接来创建神经网络。在模型构建的过程中,用户可以选择不同的层类型,如全连接层、卷积层、池化层等,并进行定制化的配置。
Keras还提供了一系列内置的优化算法,如随机梯度下降(SGD)、Adam、Adagrad等,用户可以根据任务的要求选择适合的优化算法。此外,Keras还提供了一些常用的损失函数和性能评估指标,如均方误差(MSE)、交叉熵(Cross-Entropy)、准确率等。
Keras的特点之一是其模块化和可扩展性。用户可以通过定制化的方式来创建自定义的层、损失函数或评估指标,并将它们与现有的Keras功能无缝集成。这种灵活性使得Keras适用于各种深度学习任务,如图像分类、自然语言处理、语音识别等。
总的来说,Keras是一个简单易用、高效灵活的机器学习库,使得构建和训练神经网络模型变得更加容易。它的设计哲学是用户友好,追求快速实现和迭代,为机器学习领域的研究人员和工程师提供了一个强大的工具。
导入和使用Keras其实并不难:
from tensorflow import keras
from tensorflow.keras import layers
关键是如何对Keras的API体系和方法有整体认识,并在实际应用中,恰当地选择解决方案。
目录摘要
目录分类根据文章对不同层次用户的使用功效划分。
入门尝试
××××××××××××××××××××××××××××××××××××××××××××××××××××××
政安晨——基于Anaconda安装TensorFlow并尝试一个神经网络小实例
政安晨——跟着演练快速理解TensorFlow(适合新手入门)
政安晨——基于Ubuntu系统的Miniconda安装TensorFlow并使用Jupyter Notebook在多个Conda虚拟环境下管理测试
政安晨——演绎一个TensorFlow官方的Keras示例(对服装图像进行分类,很全面)
政安晨——示例演绎在TensorFlow中使用 CSV数据(基于Colab的Jupyter笔记)(1.5万字长文超详细)
政安晨:【详细解析】【用TensorFlow从头实现】一个机器学习的神经网络小示例【解构演绎】
政安晨:【示例演绎】【用TensorFlow编写线性分类器】—— 同时了解一点TensorFlow与Keras的基本概念
夯实基础
×××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××
政安晨:示例演绎机器学习中(深度学习)神经网络的数学基础——快速理解核心概念(一){两篇文章讲清楚}
政安晨:示例演绎机器学习中(深度学习)神经网络的数学基础——快速理解核心概念(二){两篇文章讲清楚}
政安晨:示例演绎TensorFlow的官方指南(一){基础知识}
政安晨:示例演绎TensorFlow的官方指南(二){Estimator}
政安晨:示例演绎TensorFlow的官方指南(三){快速使用数据可视化工具TensorBoard}
政安晨:【示例演绎机器学习】(一)—— 剖析神经网络:学习核心的Keras API
政安晨:【示例演绎机器学习】(二)—— 神经网络的二分类问题示例(影评分类)
政安晨:【示例演绎机器学习】(三)—— 神经网络的多分类问题示例 (新闻分类)
政安晨:【示例演绎机器学习】(四)—— 神经网络的标量回归问题示例 (价格预测)
政安晨:【深度学习部署】—— TensorFlow Extended(TFX)介绍
政安晨:【深度学习实践】【使用 TensorFlow 和 Keras 为结构化数据构建和训练神经网络】(一)—— 单个神经元
政安晨:【深度学习实践】【使用 TensorFlow 和 Keras 为结构化数据构建和训练神经网络】(二)—— 深度神经网络
政安晨:【深度学习实践】【使用 TensorFlow 和 Keras 为结构化数据构建和训练神经网络】(三)—— 随机梯度下降
政安晨:【深度学习实践】【使用 TensorFlow 和 Keras 为结构化数据构建和训练神经网络】(四)—— 过拟合和欠拟合
政安晨:【深度学习实践】【使用 TensorFlow 和 Keras 为结构化数据构建和训练神经网络】(五)—— Dropout和批归一化
政安晨:【深度学习实践】【使用 TensorFlow 和 Keras 为结构化数据构建和训练神经网络】(六)—— 二元分类
政安晨:【Keras机器学习实践要点】(一)—— 从快速上手开始
政安晨:【Keras机器学习实践要点】(二)—— 给首次接触Keras 3 的朋友
政安晨:【Keras机器学习实践要点】(三)—— 编写组件与训练数据
政安晨:【Keras机器学习实践要点】(四)—— 顺序模型
政安晨:【Keras机器学习实践要点】(五)—— 通过子类化创建新层和模型
政安晨:【Keras机器学习实践要点】(六)—— 使用内置方法进行训练和评估
政安晨:【Keras机器学习实践要点】(七)—— 使用TensorFlow自定义fit()
政安晨:【Keras机器学习实践要点】(八)—— 在 TensorFlow 中从头开始编写训练循环
实践提高
××××××××××××××××××××××××××××××××××××××××××××××××××
政安晨:梯度与导数~示例演绎《机器学习·神经网络》的高阶理解
政安晨:【掌握AI的深度学习工具Keras API】(一)—— 【构建Keras模型的不同方法】(万字长文)
政安晨:【掌握AI的深度学习工具Keras API】(二)—— 【使用内置的训练循环和评估循环】