Глава 1: Процедура моделирования TensorFlow

Хотя Tensorflow разработан таким образом, чтобы адаптироваться к различным сложным числовым вычислениям, наиболее популярным его использованием является реализация моделей машинного обучения, особенно для нейронных сетей.

В принципе, нейронная сеть может быть определена с помощью графов, состоящих из тензоров, и обучена путём автоматического дифференцирования.

Однако для упрощения мы рекомендуем использовать высокоуровневый Keras API в Tensorflow для реализации нейронных сетей.

Общие процедуры реализации нейронных сетей с использованием TensorFlow:

1. Подготовка данных
2. Определение модели
3. Обучение модели
4. Оценка модели
5. Применение модели
6. Сохранение модели

Для новичков на самом деле подготовка данных — самая сложная часть.

Наиболее распространёнными типами данных являются структурированные данные, изображения, тексты и временные последовательности.

Мы демонстрируем этапы моделирования для этих четырёх типов данных на следующих примерах соответственно: (1) Прогнозирование выживания на «Титанике»; (2) Классификация изображений по набору CIFAR2; (3) Классификация отзывов о фильмах на IMDB; (4) Прогнозирование даты окончания пандемии COVID-19 в Китае.

Пожалуйста, оставляйте комментарии в официальном аккаунте WeChat «Python与算法之美» (Элегантный Python и алгоритмы), если вы хотите пообщаться с автором о содержании. Автор постарается ответить, учитывая ограниченное время.

Вы также можете ответить 加群 (join group) в официальном аккаунте WeChat, чтобы присоединиться к групповому чату с другими читателями.