вычисления представлены в виде графа
граф строится с помощью Python или C++
TENSORFLOW - БИБЛИОТЕКА МАШИННОГО ОБУЧЕНИЯ ОТ GOOGLE
- Главная
- Разное
- Дизайн
- Бизнес и предпринимательство
- Аналитика
- Образование
- Развлечения
- Красота и здоровье
- Финансы
- Государство
- Путешествия
- Спорт
- Недвижимость
- Армия
- Графика
- Культурология
- Еда и кулинария
- Лингвистика
- Английский язык
- Астрономия
- Алгебра
- Биология
- География
- Детские презентации
- Информатика
- История
- Литература
- Маркетинг
- Математика
- Медицина
- Менеджмент
- Музыка
- МХК
- Немецкий язык
- ОБЖ
- Обществознание
- Окружающий мир
- Педагогика
- Русский язык
- Технология
- Физика
- Философия
- Химия
- Шаблоны, картинки для презентаций
- Экология
- Экономика
- Юриспруденция
Вводная информация. TensorFlow презентация
Содержание
- 2. ПРИМЕР ПОСТРОЕНИЯ ГРАФА Графы потоков данных описывают
- 3. placeholder
- 4. Представление в матричном виде получим: y=softmax(Wx+b)
- 6. Пример построения модели C использованием tensorflow.contrib.learn
- 7. Нейронные сети
- 8. Реализация DNN Использование затруднено большой размерностью
- 9. Convolution NN
- 10. Свёртка
- 11. Pooling
- 12. ReLU функция
- 13. Фрагмент кода для CNN
- 14. РЕКУРРЕНТНЫЕ СЕТИ Ключевой особенностью LSTM-сети является
- 15. Реализация RNN
- 16. Сравнение скорости работы
- 17. TensorBoard
- 18. TensorBoard
- 19. Пример использования CPU и GPU def
ПРИМЕР ПОСТРОЕНИЯ ГРАФА Графы потоков данных описывают матема-тические вычисления из ориентированных узлов & ребер графа. Узлы реализуют математические операции Ребра описывают входные/выходные взаимоотношения между узлами. Ребра
Слайд 1
широкая поддержка Deep Learning.
система легко расширяема и масштабируема
автоматическое вычисление градиентов
Слайд 2ПРИМЕР ПОСТРОЕНИЯ ГРАФА
Графы потоков данных описывают матема-тические вычисления из ориентированных узлов
& ребер графа.
Узлы реализуют математические операции
Ребра описывают входные/выходные взаимоотношения между узлами.
Ребра носят данные дин. размера многомерных массивов (эти ребра и называют tensor).
Узлы назначаются и выполняются асинхронно и параллельно, когда все тензоры из вход. ребер становится до-ступными.
Узлы реализуют математические операции
Ребра описывают входные/выходные взаимоотношения между узлами.
Ребра носят данные дин. размера многомерных массивов (эти ребра и называют tensor).
Узлы назначаются и выполняются асинхронно и параллельно, когда все тензоры из вход. ребер становится до-ступными.
Слайд 5
постоянно развивается
сторонние библиотеки
с 0.8.0 поддержка sklearn
Scikit-learn+TF = Scikit Flow
Развитие TensorFlow
Слайд 8Реализация DNN
Использование затруднено большой размерностью входного вектора входных значений нейронной
сети, большим количеством нейронов в промежуточных слоях и, как следствие, большими затратами вычислительных ресурсов на обучение и вычисление сети.
Слайд 14РЕКУРРЕНТНЫЕ СЕТИ
Ключевой особенностью LSTM-сети является состояние ячейки (cell state).
LSTM-сеть имеет
возможность удалять и добавлять информацию в состояние
ячейки. Этот процесс регулируется специальными структурами.
ячейки. Этот процесс регулируется специальными структурами.
Слайд 19Пример использования CPU и GPU
def my_model(X, y):
"""
This is DNN with 10, 20, 10 hidden layers, and dropout of 0.5 probability.
"""
with tf.device('/gpu:1'):
layers = learn.ops.dnn(X, [10, 20, 10], dropout=0.5)
with tf.device('/gpu:2'):
return learn.models.logistic_regression(layers, y)
"""
with tf.device('/gpu:1'):
layers = learn.ops.dnn(X, [10, 20, 10], dropout=0.5)
with tf.device('/gpu:2'):
return learn.models.logistic_regression(layers, y)
