TensorFlow Android安卓开发网

深度强化学习-政策梯度-月球着陆器！

在本文中，我们将使用策略梯度网络构建强化学习模型。我们将使用Tensorflow来构建模型，并使用Open AI的Gym来衡量我们在Lunar Lander游戏中的表现。完整的源代码在这里。强化学习深度强化学习算法的强大功能令我惊讶。有几种强大的方法，例如Deep Q Learning，该方法在2015年由Deep Mind和Atari Pong播放器一起推广。在本文中，我们将介绍我最喜欢的RL方法Policy Gradients。机器学习有三个主要分支：监督学习（从标记数据中学习），无监督学习（…

转移学习

了解有关转移学习及其实施方法的信息。什么是转学？在构建计算机视觉应用程序时，我们可以下载预先训练好的深度学习架构及其权重，并将其应用于新的问题领域，而无需随机初始化权重并从头进行训练。它是如何工作的？例如：如果我们想使用很少的训练示例来构建仅包含2个类别的cat分类器，则可以下载在ImageNet上训练的深度学习架构的开源实现，该架构具有1000个类别。为了开始在我们的cat图像数据集上重新训练网络，我们可以摆脱现有的预测1000个类别之一的softmax图层，并创建我们自己的预测2个类别之一的softmax图层，我们还应该冻结休息网络中各层的数量，这意味着，除了softmax层的参数外，我们不会训练冻结层的参数。下图更好地说明了这一点：冻结除我们创建的输出层（softmax层）以外的所有层。在开始重新训练过程之前，我们还应该为我们的训练示例计算最后冻结层的激活并将其保存到磁盘。这将加快与softmax层（输出层）关联的权重的训练。看下面的图片（紫色箭头）如果我们有一个庞大的数据集怎么办？冻结更少的层，然后重新训练后面的层。冻结更少的图层并创建新的图层，然后对其进行重新训练。使用预训练的权重进行初始化，然后重新训练整个网络。实施实例查看我关于使用Tensorflow进行转移学习的github回购。点击这里…

行动中的AI蓝图引擎：专用于深度学习的泰坦尼克号灾难的生存预测

由 creaidAI的创始人 Denis Krompass 和 Sigurd Spieckermann 撰写使用AI蓝图引擎演练为端对端机器学习管道生成代码，包括数据加载，预处理和用于泰坦尼克号乘客生存预测项目的深度神经网络。在我们之前的文章中，我们激励了GUI驱动的设计以及基于深度学习的机器学习的后续代码生成，并介绍了我们的AI Blueprint Engine——我们正在开发的专用工具，旨在解决此任务。在本文中，我们将使用AI Blueprint Engine的第一个公开beta版来举例说明其在“泰坦尼克号：灾难中的机器学习”竞赛中的效用。在这种情况下，我们将使用图形用户界面（GUI）设计合适的神经网络，该图形用户界面根据异类数据类型的各种特征，预测泰坦尼克号上乘客的生存概率。随后，我们将根据生成的项目建立执行环境，使用比赛的训练集训练模型，并使用比赛的测试集预测乘客的生存概率。…

TensorFlow＃3的最简要介绍：矩阵和多特征线性回归

简介：利用单特征线性回归，成本函数，梯度下降（来自第1部分），时期，学习率，梯度下降变化（来自第2部分）的概念，我们已经准备好迈向多特征使用TensorFlow（TF）进行线性回归。如果您已经熟悉矩阵和多元线性回归，请跳至多元Tensorflow代码备忘单的最后，甚至跳过整篇文章。这是系列的一部分：第1部分：使用Tensorflow进行单特征单结果模型的线性回归第2部分：以图表/代码说明的Tensorflow训练，并探讨训练方法的变化第3部分（本文）：使用Tensorflow的矩阵和多特征线性回归第4部分：使用Tensorflow进行逻辑回归快速复审先前文章的前提是：给定任何房屋面积（平方米/平方米），这就是功能，我们要预测房屋价格（美元）和结果。为此，我们：我们找到一条“最适合”我们所拥有数据点的直线（线性回归）。 “最佳拟合”是指线性回归线确保实际数据点（灰点）与预测值（插在直线上的灰点）之间的差，换句话说，是多条蓝线被最小化。通过这条直线，我们可以预测房屋的任何价值使用单特征线性回归进行预测多元线性回归概述实际上，任何预测都依赖于多个特征，因此我们从单特征线性回归为2特征线性回归。我们选择了2个功能部件以保持可视化和理解的简单性，但是该概念可以推广到任意数量的功能部件。…

使用TensorFlow识别交通标志

是的，军官，我看到了限速标志。我只是没看到你。这是关于构建深度学习模型以识别交通标志的系列文章的第1部分。对于我自己和其他喜欢跟随的人来说，这是一次学习的经历。有很多资源涵盖了神经网络的理论和数学，因此我将重点放在实践方面。我将描述我自己建立该模型的经验，并分享源代码和相关材料。这适合那些已经了解Python和机器学习基础知识，但又需要动手经验并练习构建真实应用程序的人。在这一部分中，我将讨论图像分类，并使模型尽可能简单。在后面的部分中，我将介绍卷积网络，数据增强和对象检测。设定源代码在此Jupyter笔记本中可用。我正在使用Python 3.5和TensorFlow 0.12。如果您希望在Docker中运行代码，则可以使用包含许多流行的深度学习工具的Docker映像。使用以下命令运行它： docker…

教程— Tensorflow

快速轻松的步骤让您开始使用Tensorflow 介绍作为机器学习工程师，当您开始构建复杂的深度学习模型时，从头开始做所有事情都是不切实际的，因此Tensorflow之类的框架可以极大地帮助您快速构建深度学习模型。例如，实施反向传播可能很繁琐且容易出错，尤其是在您具有复杂模型的情况下，而Tensorflow可以为您做到这一点，只要我们在其中定义了成本函数（交叉熵等）和优化器（梯度下降等）即可计算图。计算图计算图是布置在节点图中的一系列TensorFlow操作。在创建深度学习模型时，我们从构建计算图开始。让我们创建一个简单的图由两个常数节点组成的计算图，这些节点馈入乘法节点。在上面的示例中，我们创建了两个存储值的常量节点“ x”和“ y”。我们将“ x”和“ y”输入到将两个值相乘的乘法节点，并将输出存储在“结果”变量中。请注意，当我们打印结果变量时，我们看不到9.0，原因是我们尚未评估图形。在tensorflow中，我们使用Session评估图。以下代码创建一个Session对象，并调用run方法来绘制图形。…

将模型移植到TensorFlow

TensorFlow是一系列框架的最新成员，这些框架旨在加速构建深层模型的过程。其中，我以前只是有时间学习Theano-Theano在这个相当年轻的领域中比较古老的框架之一。就像TensorFlow一样，Theano使用Python作为元编程语言来象征性地描述模型-将这两个张量相加；在该轴上取平均值，然后对其进行微分，以确保参数优化易处理且高效。但是，与TensorFlow不同，Theano要求最终用户重新实现很多经常在模型中出现的标准组件，尤其是优化器，成本计算以及诸如dropout（通常与softmax结合使用）之类的东西。这两个库还允许混合使用GPU和CPU代码生成。但是，除了样式，哪种框架可以帮助您快速获得结果？哪个更容易编程？哪个生产模型可以快速训练？ TensorFlow提供了一个不错的API，许多内置功能以及强大的设备模型和集成的集群感知能力，而Theano提供了更积极的计算图优化和许多可调参数。那么，总而言之，哪一个提供了性能和生产率的最佳融合？德古拉介绍为了找出答案，我决定从Theano到TensorFlow移植一个相当简单的自然语言模型-Dracula。 Dracula是基于LSTM的序列标记器（最初的应用是词性标记），可在单个字符级别上运行，从而缩小了模型的范围，并减少了对诸如阈值稀有词，建立专有名词的字典之类的预处理操作的需求。，过滤表情符号和其他预处理，这些都不太可能对验证环境之外的性能有所帮助，这意味着它对结构化较弱的环境（例如Twitter）非常有用。德古拉（Dracula）有几个主要步骤：生成字符嵌入输入；在字符级别，每个单词应用零个或多个LSTM层；…

火炬101

PyTorch进行了改写和量身定制，以使其快速并具有Python原生的感觉。 PyTorch不是绑定到单一C ++框架的Python。好处命令式编程此关键功能使您可以在键入时更改计算。计算是定义的运行时像大多数python代码一样，而TensorFlow其他框架则要求用户先定义模型然后进行计算。 TensorFlow是为工程师设计的，而PyTorch是为研究人员设计的。意味着PyTorch更具灵活性，但效率有所下降。图形是动态创建的由于计算图是在运行时构建的，因此使用RNN的效率更高。因此，这使得调试非常容易。基本例子＃1.基本的autograd示例1 ＃创建张量。 a =变量（torch.Tensor（[1,2]），require_grad…

TensorFlow估算器和数据集API

当TensorFlow 1.3发布时，Estimator和相关的高级API引起了我的注意。这已经快一年了，TensorFlow进行了一些更新，在撰写本文时已更新为1.8的最新版本。是时候重新审视这些API，并了解它们如何演变。自TF 1.3起，估算器和数据集API变得更加成熟。 TensorFlow教程建议在编写TensorFlow程序时使用它们：我们强烈建议您使用以下API编写TensorFlow程序：估算器，代表一个完整的模型。 Estimator API提供了训练模型，判断模型的准确性以及生成预测的方法。数据集，用于建立数据输入管道。 Dataset API具有加载和处理数据并将其输入模型的方法。 Dataset API与Estimators API很好地结合在一起。 Estimator…

TF Jam-机器学习射击箍

通过安倍·哈斯金斯（Twitter，Github）在本文中，我们将深入研究如何使用Unity3D和TensorFlow教AI执行简单的游戏任务：将球拍成箍。如果您有任何疑问可以在Twitter上与我联系，请在Github上获得完整的源代码。游戏介绍有一种游戏，玩家的主要目标是：将球放入篮筐。听起来并不难，但是当您的血液在抽动，您的心脏在跳动，人群在欢呼时，好吧，要开枪很难。我在说经典的美国篮球比赛吗？不，从未听说过。我说的是经典的Midway街机游戏NBA Jam。如果您曾经玩过NBA Jam或它所启发的任何游戏（包括现实生活中的NBA联赛，我认为是在NBA Jam之后出现的），那么从球员的角度来看，投篮的技巧就非常简单。您以合适的时机按住并释放拍摄按钮。您是否曾经想过从游戏的角度来看如何拍摄？如何选择球的弧度？球有多硬？电脑如何知道射击角度？…