텐서플로우 딥러닝 예제

Uncategorized by nrhpadmin

다음으로 그래프에 작업을 추가할 준비가 되었습니다. Keras로 작업할 때 기억할 수 있듯이 모델을 빌드한 다음 컴파일할 때 손실 함수, 최적화 프로그램 및 메트릭을 정의합니다. 이 모든 텐서 플로우와 함께 작업 할 때 한 단계에서 발생: 위에서 볼 수 있듯이, 텐서 플로우 상수는 tf.constant 함수를 사용 하 여 선언될 수 있습니다., 그리고 tf와 변수. 가변 함수. 둘 다의 첫 번째 요소는 초기화 될 때 상수 / 변수를 할당 할 값입니다. 두 번째는 상수 / 변수에 레이블을 지정하는 데 사용할 수있는 선택적 이름 문자열입니다 .이 문자열은 시각화를 수행 하려는 경우에 편리 합니다 (나중에 간단히 설명할 예정). TensorFlow초기화 된 값에서 상수 /변수의 형식을 유추 하지만 선택적 dtype 인수를 사용 하 여 명시적으로 설정할 수도 있습니다. TensorFlow는 tf.float32, tf.int32 등과 같은 많은 자체 유형이 있습니다 . 튜토리얼: 우리의 DeepTraffic 환경 탐색, 훈련 및 브라우저에서 깊은 RL 에이전트를 평가 하는 빠른 방법에 대 한 자습서 및 코드 샘플을 제공 합니다., 그리고 우리는 곧 GitHub에 GPU 지원 교육에 대 한 TensorFlow 자습서를 발표 할 예정 이다: 몇 가지 중요 한 딥 러닝의 개념은 위의 아키텍처로 직접 표현되지 않습니다. 예를 들면 변형 자동 엔코더 (VAE), LSTM / GRU 또는 신경 튜링 머신 컨텍스트에서 “메모리”의 아이디어, 캡슐 네트워크, 일반적으로 주의, 전송 학습, 메타 학습 및 모델 기반의 구별, 가치 기반, 정책 기반 방법 및 배우-비평가 메서드를 기반으로 합니다. 마지막으로 많은 딥 러닝 시스템은 이러한 아키텍처를 복잡한 방식으로 결합하여 멀티 모달 데이터에서 공동으로 학습하거나 여러 작업을 공동으로 해결하는 방법을 배웁니다. 이러한 개념의 대부분은 곧 더 많은 과정에 대한 다른 강의에서 다루어지고 있습니다: TensorFlow는 Google이 만들고 딥 러닝 모델을 설계, 구축 및 교육하는 데 사용한 두 번째 기계 학습 프레임워크입니다.

TensorFlow 라이브러리를 사용하여 수치 계산에 사용할 수 있으며, 그 자체로는 그리 특별해 보이지 않지만 이러한 계산은 데이터 흐름 그래프로 수행됩니다. 이러한 그래프에서 노드는 수학적 연산을 나타내고 가장자리는 일반적으로 이러한 가장자리 간에 전달되는 다차원 데이터 배열 또는 텐서인 데이터를 나타냅니다. 이 작업 후, 우리는 (m x 1) 텐서가 있습니다. 이 텐서의 평균을 가지고 우리의 크로스 엔트로피 비용 계산을 완료하려면 (즉,이 부분을 실행 $frac{1}{m} sum_{i=1}^m$), 우리는 텐서 플로우의 tf.reduce_mean 함수를 사용합니다. 이 함수는 단순히 당신이 그것을 제공하는 텐서의 평균을 취합니다. 이제 교육 프로세스에서 사용할 수 있는 비용 함수가 있습니다. 좋아, 그래서 위의 코드를 조금 압축을 풀어 보자. 먼저 W1과 b1에 대한 몇 가지 변수, 입력 과 숨겨진 레이어 사이의 연결에 대한 가중치 및 바이어스를 선언합니다. 이 신경망은 숨겨진 레이어에 300개의 노드를 가지므로 무게 텐서 W1의 크기는 [784, 300]입니다.