Как я изучил нейронные сети, Tensorflow, Keras

Обо мне

Я выпускник компьютерных наук с опытом работы в области гражданского строительства. У меня есть опыт работы над некоторыми проектами и в качестве преподавателя.

Почему я хотел изучать нейронные сети, Tensorflow, Keras

Я хотел изучить эту технологию, чтобы иметь возможность создавать гибкие программы, способные учиться, а не запоминать. В настоящее время создание моделей глубокого обучения является большим преимуществом. В искусственный интеллект, например, в беспилотные автомобили, вкладывается много средств.

Как я подошел к изучению нейронных сетей, Tensorflow, Keras

Кроме материалов курса. Я прочитал главы из нескольких книг, в первую очередь о глубоком обучении и практическом машинном обучении с использованием тензорного потока.

Проблемы, с которыми я столкнулся

Кривая обучения глубокому обучению с его технологией экспоненциальна. Вам придется изучать теорию и технологию рука об руку, чтобы иметь возможность интегрировать их и понимать модели, которые вы создаете.

Основные выводы

У нас есть очень умные и классные инструменты, основанные на сложной математике и статистике. Эти инструменты позволяют нам строить модели, вдохновленные биологией человека. Они моделируют функции, применимые практически ко всем явлениям во Вселенной. функции, которые описывают определенные вещи, такие как изучение классификации изображений. Самое интересное, когда вы успешно обучаете (подбираете функцию, которая представляет знания, которые вы пытаетесь изучить) модель (нейронная сеть с глубоким обучением), затем тестируете ее и получаете хорошие результаты.

Советы и советы

Во-первых, получите обзор различных архитектур нейронных сетей из онлайн-видео или блога.
Во-вторых, попробуйте понять, как работает сеть, легко построив ее с помощью высокоуровневого API, такого как keras.
В-третьих, после получения общего представления об архитектуре и дизайне. Вы можете посетить книгу, такую ​​как глубокое обучение, или более подробные блоги о вещах, которые вы можете настроить и поиграть с моделями. Кроме того, побалуйте себя теорией, стоящей за моделями.
В-четвертых, теперь вы переходите на более низкий уровень программирования, такой как тензорный поток, чтобы создавать свои собственные уровни модели и спецификации на основе домена, для которого вы кодируете.

Заключительные мысли и следующие шаги

Как я уже сказал, кривая обучения высока, и теория может быть довольно сложной. Поэтому не забудьте правильно организовать свое время и поставить цели для достижения. Мой следующий шаг — расширить свои знания о других сетевых архитектурах, которые я не изучал, поэкспериментировать с различными конфигурациями/архитектурами для различных областей и, наконец, глубже погрузиться в теорию глубокого обучения.