目录 简介 设置 数据集构建 数据可视化 模型构建 模型训练 帧预测可视化 预测视频 本文目标：如何建立和训练用于下一帧视频预测的卷积 LSTM 模型。 简介 卷积 LSTM 架构通过在 LSTM 层中引入卷积递归单元，将时间序列处理和计算机视觉结合在一起。在本示例中，我们将探讨卷积 LSTM 模型在下一帧预测中的应用，下一帧预测是指在一系列过去帧的基础上预测下一个视频帧的过程。 设置 import n...

目录 数据收集 设置 定义超参数 数据准备 构建基于变换器的模型 培训的效用函数 模型训练和推理 本文目标：用混合变压器训练视频分类器。 本示例是使用 CNN-RNN 架构（卷积神经网络-循环神经网络）进行视频分类示例的后续。这一次，我们将使用基于变换器的模型（Vaswani 等人）对视频进行分类。阅读本示例后，您将了解如何开发基于变换器的混合模型，用于在 CNN 特征图上运行的视频分类。 数据收集 与...

目录 简述 评估回归 模拟退火训练 简述 深度学习神经网络的评估回归是一种用于评估网络性能的方法。 在回归问题中，神经网络被用于将输入数据映射到连续的输出。 模拟退火是一种用于训练深度学习神经网络的优化算法。 在模拟退火训练中，初始温度被设置为一个比较高的值，然后通过不断迭代降低温度，从而控制系统的状态在搜索空间中移动的程度。每次迭代中，根据能量差和当前温度计算一个概率，用于决定是否接受新的状态。这样，...

目录 简述 理解梯度 什么是梯度 计算梯度 简述 在深度学习神经网络中，反向传播是一种用来训练神经网络的常用方法。它通过计算损失函数对于网络参数的梯度，然后使用梯度下降算法更新参数，以降低损失函数的值。 梯度表示了函数在某一点上的变化率和方向，对于神经网络而言，梯度表示了损失函数对于网络参数的变化率和方向。在反向传播过程中，首先通过前向传播计算出网络的输出和损失函数的值，然后利用链式法则逐层计算参数的梯...

目录 简述 二次误差函数 交叉熵误差函数 计算剩余节点增量 简述 为神经网络中的每个节点（神经元）计算一个常数值。我们将从输出节点开始，然后逐步通过神经网络反向传播。“反向传播”一词就来自这个过程。我们最初计算输出神经元的误差，然后通过神经网络向后传播这些误差。节点增量是我们将为每个节点计算的值。层增量也描述了该值，因为我们可以一次计算一层的增量。在计算输出节点或内部节点时，确定节点增量的方法可能会有所...

目录 下载数据 准备输入图像的路径和目标分割掩码 一幅输入图像和相应的分割掩码是什么样子的？ 准备数据集，以加载和矢量化成批数据 准备 U-Net Xception 风格模型 预留验证分割 训练模型 可视化预测 本文目标：在宠物数据集上从头开始训练的图像分割模型。 下载数据 !!wget https://www.robots.ox.ac.uk/~vgg/data/pets/data/images.tar...

目录 简述 开始 转换 自动分级 使用 jit 进行编译 使用 vmap 自动矢量化 使用 pmap 进行 SPMD 编程 简述 JAX是谷歌开发的一个机器学习库，专门用于高性能的数值计算和自动微分。它建立在NumPy、SciPy和Cython的基础上，并结合了XLA（Accelerated Linear Algebra）编译器，可以实现高效的计算。 JAX的一个核心特性是支持自动微分。它可以自动计算函...

目录 导言 调整模型结构 定义搜索空间 开始搜索 查询结果 重新训练模型 调整模型训练 调整数据预处理 重新训练模型 指定调整目标 以内置指标为目标 以自定义指标为目标 调整端到端工作流程 将 Keras 代码分开 使用 KerasTuner 调整模型超参数的基础知识。 导言 KerasTuner 是一个通用超参数调整库。它与 Keras 工作流集成度很高，但并不局限于 Keras 工作流：你可以用它来...

前言 TFX包括许多生产软件部署和最佳实践的需求：可伸缩性、一致性、可测试性、安全性，等等。 它从收集数据开始，然后是数据验证、特征工程、训练和服务。 谷歌已为管道的每个主要阶段创建了库，并且为各种部署目标提供了框架。TFX实现了一系列ML管道组件。这些通过为管道存储、配置和编制之类的事物创建水平层来实现。这些层对于管理和优化管道以及在其管道上运行的应用程序非常重要。 安装 pip install t...

有效性。 练习：Dropout与批量归一化 介绍 在这个练习中，你将给咱们前面文章练习中的Spotify模型添加dropout，并看看批量归一化如何使你能够成功地训练困难的数据集上的模型。 前面文章：政安晨：【深度学习实践】【使用 TensorFlow 和 Keras 为结构化数据构建和训练神经网络】（四）—— 过拟合和欠拟合https://blog.csdn.net/snowdenkeke/artic...