TensorFlow Tutorials

Tutoriales de TensorFlow

Proporcionamos código fuente que le permite practicar TensorFlow paso a paso desde lo básico hasta la aplicación.

Cubre la mayor parte del contenido de la guía proporcionada en el sitio oficial de TensorFlow y es mucho más conciso que el código fuente proporcionado en el sitio oficial, por lo que podrá aprender los conceptos fácilmente. Además, todos los comentarios están en coreano (!).

Sin embargo, dado que la atención se centró en aprender los conceptos básicos de diversas técnicas y modelos y en cómo utilizar TensorFlow en lugar de una comprensión profunda de la teoría y una implementación precisa, tenga en cuenta que hay muchas áreas donde la implementación es insuficiente.

Además, le agradecería que pudiera consultar el código y los comentarios para poder comprenderlo en un flujo secuencial en lugar de crear un código atractivo.

Requisitos

• TensorFlow >= 1.8.0
• Pitón >= 3.6.1
  • numeroso >= 1.14.3
  • matplotlib >= 2.2.2
  • almohada >= 5.1

Aprendizaje profundo de 3 minutos de Golbin Hacker

Gracias a las muchas personas que mostraron interés en este repositorio, organicé las anotaciones, agregué explicaciones y publiqué un libro titulado 『Golbin Hacker's 3-Minute Deep Learning』 (Hanbit Media, 2017).

En lugar de profundizar en la teoría, nos centramos en aprender los conceptos básicos de varios modelos de aprendizaje profundo y cómo utilizar TensorFlow básico. Por lo tanto, creo que será especialmente útil para los desarrolladores que son nuevos en el aprendizaje profundo/aprendizaje automático.

Por supuesto, es aún mejor para la decoración. ^_^b

compra

Sí24 | Librería Kyobo | aladino

Recomendación

Como persona que estudia el aprendizaje profundo, he leído bastantes libros originales, traducciones nacionales y materiales, pero nunca he visto nada que explique los puntos clave de una manera tan concisa y práctica. Mientras que otros libros generalmente se limitan a explicar los modelos CNN, este libro aborda los principales modelos de aprendizaje profundo, incluidos RNN, DQN y autoencoder, con ejemplos prácticos, lo que proporciona una buena dirección para quienes estudian el aprendizaje profundo. Recomiendo encarecidamente este libro como imprescindible para cualquiera que comience a aprender en profundidad.

Byeong-wook Cho (Daehyeop Cho), ingeniero de nube de Google Corea, autor de 『(lado del servidor de Daehyeop Cho) arquitectura de gran capacidad y ajuste de rendimiento』

---

"La inteligencia artificial es la electricidad de una nueva era". El Dr. Andrew Ng, la principal autoridad mundial en aprendizaje profundo, expresó el valor futuro de la IA de la siguiente manera al dejar Baidu. Esto significa que la IA ya no es una actividad de investigación para unos pocos científicos, sino que se ha convertido en una tecnología que cualquiera puede utilizar cómodamente en la vida cotidiana, como la electricidad. De hecho, este libro explica bien que el aprendizaje profundo, el núcleo de la IA, es una tecnología eléctrica que cualquiera puede utilizar cómodamente. CNN, la solución milagrosa del reconocimiento de imágenes, GAN, la patata más caliente de 2016, RNN, representante del reconocimiento del lenguaje natural, y DQN del Deep Mind de Google representado por AlphaGo... Es una abreviatura un tanto difícil a primera vista, pero como ves Lea lentamente el código de ejemplo de este libro. Si lo sigue, cualquiera podrá comprender fácilmente cuáles son realmente las tecnologías que representan el campo de la inteligencia artificial a través de explicaciones amigables. Después de leer el último capítulo de este libro, estoy aún más de acuerdo con Andrew Ng. Confío en que este libro será una buena guía para quienes quieran hacer un buen uso de la electricidad.

Park Sang-gil, jefe de TF de desarrollo de nuevas búsquedas de Kakao

---

Pensé que podría abordar el aprendizaje profundo de una manera tan divertida. No es ni demasiado ligero ni demasiado académico. Creo que el proceso de creación de código uno por uno y bien organizado será un hito para aquellos que son nuevos en este campo.

Seo Min-gu, ingeniero de software de Google Corea, autor de 『Práctica de análisis y procesamiento de datos usando R』

---

¡Explicaciones detalladas centradas en el código y conceptos básicos establecidos en terminología sencilla! Este es un libro que sirve como guía para desarrolladores que no son conscientes del aprendizaje profundo a la hora de zarpar hacia el mar del aprendizaje profundo. ¡Me gustaría recomendar esto a mi esposa que está a punto de lanzarse al mundo del aprendizaje profundo!

Ha Jeong-woo, líder del equipo de investigación de IA de Naver Clova

vista previa del libro

número | Compartir diapositivas

breve explicación

01 - Por qué TensorFlow

• Hablamos de los conceptos básicos del aprendizaje automático y de por qué deberías usar TensorFlow.

02 - Preparación

• Cómo instalar TensorFlow e introducción a Júpiter

03 - TensorFlow Básico

• 01 - Básico
  • Aprenda los conceptos de las operaciones de TensorFlow y cómo ejecutar gráficos.
• 02-variable
  • Aprenda los conceptos de marcadores de posición y variables en TensorFlow.
• 03 - Regresión lineal
  • Creemos un modelo de regresión lineal simple.

04 - Red Neuronal Básica

• 01 - Clasificación
  • Creemos un modelo de clasificación simple configurando una red neuronal.
• 02 - Profundo N.N.
  • Aprenda a construir múltiples redes neuronales.
• 03-Palabra2Vec
  • Simplemente implementemos el modelo Word2Vec, que es muy importante en el análisis del lenguaje natural.

05 - Tablero Tensor, Ahorro

• 01 - Ahorrador
  • Aprenda a guardar y reutilizar un modelo entrenado.
• 02 - Tablero Tensor
  • Verifique visualmente la configuración de la red neuronal y los cambios en los valores de pérdida usando TensorBoard.
• 03 - Tablero Tensor #2
  • Agreguemos un histograma a TensorBoard.

06 - MNIST

• 01 - MNIST
  • Resolvemos problemas MNIST (reconocimiento de dígitos escritos a mano) como Hello World en aprendizaje automático mediante redes neuronales.
• 02 - Abandono
  • Utilicemos la técnica de abandono ampliamente utilizada para evitar el sobreajuste.

07-CNN

• 01-CNN
  • Creamos una tasa de reconocimiento más alta utilizando CNN, el modelo de red neuronal más famoso en el campo del procesamiento de imágenes.
• 02 - tf.capas
  • Usemos capas, una API de alto nivel que facilita la configuración de redes neuronales.

08 - codificador automático

• 01 - codificador automático
  • Utilicemos Autoencoder, un método de aprendizaje no supervisado representativo.

09 - GAN

• 01-GAN
  • Implementemos GAN, el método de aprendizaje no supervisado que recibió mayor atención en 2016.
• 02-GAN #2
  • Apliquemos GAN para crear un modelo que genere imágenes escritas a mano de los números deseados. De esta forma, son posibles aplicaciones como convertir una fotografía en blanco y negro a color o colorear un dibujo lineal.

10 - RNN

• 01 - MNIST
  • Aprenda los conceptos básicos de RNN, que se utiliza ampliamente en el procesamiento del lenguaje natural y de la voz.
• 02 - Autocompletar
  • Utilizando características de RNN que son sólidas en datos ordenados, implementaremos un modelo que completa una palabra proporcionando las primeras tres letras de la palabra.
• 03 - Sec2Seq
  • Implementaremos Seq2Seq, un modelo de generación/aprendizaje de secuencias utilizado en chatbots, traducción y subtítulos de imágenes.
• chatbot
  • Creemos un chatbot simple usando el modelo Seq2Seq.

11 - Inicio

Utilicemos Inception, un modelo de red neuronal desarrollado por Google que es excelente para el reconocimiento de imágenes.

Sin tener que implementar un modelo de red neuronal usted mismo, puede aplicar inmediatamente un programa con una excelente tasa de reconocimiento para practicar el uso de sus propios datos simplemente escribiendo un script simple.

Para obtener más información, consulte el documento 11 - Inception/README.md.

12-DQN

Implementemos DQN, un aprendizaje por refuerzo que utiliza el aprendizaje profundo desarrollado por DeepMind de Google, famoso por AlphaGo.

Puede parecer un poco complicado, pero he separado las partes clave tanto como sea posible, para que puedas seguirlas.

Para obtener más información, consulte el documento 12 - DQN/README.md.

referencia

Para obtener más teoría básica, consulte los siguientes cursos y repositorios.

• Conferencia sobre aprendizaje automático/aprendizaje profundo para todos (Conferencia del profesor Seong-Hoon Kim de la Universidad de Ciencia y Tecnología de Hong Kong)
• Código de práctica del curso (hecho por mí)

Solución de problemas

• Si el código que usa matplotlib no se ejecuta o produce un error en Mac OS
  • Simplemente cree ~/.matplotlib/matplotlibrc y agregue la configuración backend: TkAgg .