Machine Learning Using TensorFlow
Machine learning (ML) è lo studio scientifico di algoritmi e modelli statistici che i sistemi informatici utilizzano per migliorare progressivamente le loro prestazioni su un compito specifico.
Questo tutorial fornisce varie applicazioni di ML usando TensorFlow.
TensorFlow ™ è una libreria software open source per il calcolo numerico ad alte prestazioni. La sua architettura flessibile consente una facile implementazione del calcolo su una varietà di piattaforme (CPU, GPU, TPU) e da desktop a cluster di server verso dispositivi mobili e periferici. Sviluppato originariamente da ricercatori e ingegneri del team Google Brain all'interno dell'organizzazione IA di Google, viene fornito con un forte supporto per l'apprendimento automatico e l'apprendimento approfondito e il nucleo flessibile di calcolo numerico viene utilizzato in molti altri ambiti scientifici.
Questo tutorial fornisce le seguenti applicazioni:
1) Classificazione di base
Questa guida forma un modello di rete neurale per classificare le immagini di abbigliamento, come scarpe da ginnastica e camicie.
2) Classificazione del testo
Questa applicazione classifica le recensioni dei film come positive o negative usando il testo della recensione.
3) Salva e ripristina i modelli
Il progresso del modello può essere salvato durante e dopo l'allenamento. Ciò significa che un modello può riprendere dal punto in cui era stato interrotto ed evitare lunghi tempi di allenamento. Questa applicazione spiega come salvare e ripristinare un modello.
4) Riconoscimento dell'immagine
Questo tutorial ti insegnerà come usare Inception-v3. Imparerai come classificare le immagini in 1000 classi in Python.
5) Ripristinare un'immagine
In questo tutorial, riutilizzeremo le funzionalità di estrazione delle caratteristiche da potenti classificatori di immagini addestrati su ImageNet e semplicemente formeremo un nuovo livello di classificazione.
Questo tutorial fornisce varie applicazioni di ML usando TensorFlow.
TensorFlow ™ è una libreria software open source per il calcolo numerico ad alte prestazioni. La sua architettura flessibile consente una facile implementazione del calcolo su una varietà di piattaforme (CPU, GPU, TPU) e da desktop a cluster di server verso dispositivi mobili e periferici. Sviluppato originariamente da ricercatori e ingegneri del team Google Brain all'interno dell'organizzazione IA di Google, viene fornito con un forte supporto per l'apprendimento automatico e l'apprendimento approfondito e il nucleo flessibile di calcolo numerico viene utilizzato in molti altri ambiti scientifici.
Questo tutorial fornisce le seguenti applicazioni:
1) Classificazione di base
Questa guida forma un modello di rete neurale per classificare le immagini di abbigliamento, come scarpe da ginnastica e camicie.
2) Classificazione del testo
Questa applicazione classifica le recensioni dei film come positive o negative usando il testo della recensione.
3) Salva e ripristina i modelli
Il progresso del modello può essere salvato durante e dopo l'allenamento. Ciò significa che un modello può riprendere dal punto in cui era stato interrotto ed evitare lunghi tempi di allenamento. Questa applicazione spiega come salvare e ripristinare un modello.
4) Riconoscimento dell'immagine
Questo tutorial ti insegnerà come usare Inception-v3. Imparerai come classificare le immagini in 1000 classi in Python.
5) Ripristinare un'immagine
In questo tutorial, riutilizzeremo le funzionalità di estrazione delle caratteristiche da potenti classificatori di immagini addestrati su ImageNet e semplicemente formeremo un nuovo livello di classificazione.
Categoria : Istruzione
Ricerche associate