Search Results for: TensorFlow

强化学习 (RL) 是一种框架，可以教导智能体如何以使奖励最大化的方式在现实世界中采取行动。我们将由神经网络完成的学习称为深度强化学习 (Deep RL)。RL 框架有三种类型：基于策略、基于值和基于模型。三者的区别在于神经网络需要学习的内容。如需了解更多详情，请观看 MIT 课程 6.S091 的 Deep RL 简介讲座。当我们需要作出一系列决策时，可以借助 Deep RL 在模拟环境或真实环境中应用神经网络。其中包括游戏操作、机器人、神经架构搜索等等。DeepTraffic 环境提供了教程与代码示例，可以让您快速地在浏览器中探索、训练和评估 Deep RL 智能体。

项目 GitH[……]

继续阅读

生成对抗网络 (GAN)

GAN 是一种训练网络框架，已经过优化，可以通过特定表征生成新的真实样本。简单而言，其训练过程涉及两个网络。其中一个网络称为 生成器 (generator)，它会生成新的数据实例并试图欺骗另一个网络，即判别器 (discriminator)，后者会对图像的真伪进行分类。

在过去几年，GAN 出现了许多变体和改进，包括从特定类别生成图像的能力，以及将图像从一个域映射到另一个域的能力，而且所生成图像的真实度也有极大提升。TensorFlow 教程：如需 GAN 早期变体的示例，请参阅有关 条件GAN 和 DCGAN 的教程。

项目 GitHub 地址 – 条[……]

继续阅读

自动编码器

自动编码器是其中一种更简单的 “无监督学习” 形式，其采用编码器 — 解码器架构，并学习生成输入数据的精确副本。由于编码表征比输入数据小得多，此网络被迫学习如何生成最有意义的表征。

其 Ground truth 数据来自输入数据，因此无需人工操作。换言之，此网络可自我监督。其应用包括无监督嵌入、图像降噪等。但最重要的是，其 “表征学习” 的基本思想是下个部分的生成模型与所有深度学习的核心。在这个 TensorFlow Keras 教程 中，您可以探索自动编码器在以下两方面的功能：

1. 对输入数据进行降噪
2. 在 MNIST 数据集中生成嵌入

[……]

继续阅读

编码器 / 解码器架构

前 3 部分介绍的 FFNN、CNN 和 RNN 都只是分别使用密集编码器、卷积编码器或递归编码器进行预测的网络。这些编码器可以组合或切换，具体取决于我们尝试生成有用表征的原始数据类型。“编码器 — 解码器” 架构是一种更高层次的概念，此架构基于编码步骤而构建，通过对压缩表征进行上采样的步骤来生成高维输出，而不是进行预测。

请注意，编码器与解码器彼此之间可能大不相同。例如，图像描述生成 (image captioning) 网络可能采用卷积编码器（用于图像输入）和递归解码器（用于自然语言输出）。其应用包括语义分割、机器翻译等。请参阅 MIT 驾驶场景分割[……]

继续阅读

递归神经网络 (RNN)

RNN 是具有循环的网络，因此具有 “状态记忆”。这种网络可适时展开，以成为共享权重的前馈网络。正如 CNN 可跨 “空间” 共享权重一样，RNN 可跨 “时间” 共享权重。这使其能够处理并有效表示序列数据中的模式。

我们已开发出 RNN 模块的许多变体（包括 LSTM 和 GRU），以帮助学习较长序列中的模式。其应用包括自然语言建模、语音识别、语音生成等。递归神经网络的训练颇具挑战性，但同时也让我们可以对序列数据进行一些有趣而强大的建模。利用 TensorFlow 生成文本 是我最喜欢的教程之一，因为只需几行代码便可完成一些事情：逐字生成合理文本。[……]

继续阅读

卷积神经网络 (CNN)

CNN（又名 ConvNet）是一种前馈神经网络，其使用空间不变性技巧来有效学习图像中最常见的局部模式。举例而言，若图像左上方与右下方的猫耳拥有相同的特征，我们便可将其称为空间不变性。CNN 可跨空间共享权重，从而更高效地检测出猫耳及其他模式。

CNN 不是只使用密集连接层，而是使用卷积层（卷积编码器）。这些网络可用于图像分类、对象检测、视频动作识别，以及任何在结构上具备一些空间不变性的数据（例如语音音频）。

了解用于对 MNIST 数据集中的手写数字进行分类的 CNN 示例。我们利用影像变形技术创造梦幻般的精彩扭曲效果，并通过数据集之外生成的高[……]

继续阅读

前馈神经网络 (FFNN)

FFNN 的历史可以追溯至 20 世纪 40 年代，只是一种没有任何循环的网络。数据以单次传递的方式从输入传递至输出，而没有任何之前的 “状态记忆”。从技术上讲，深度学习中的大多数网络均可被视为 FFNN，但 “FFNN” 通常指的是其最简单的变体：一种密集连接的多层感知器 (MLP)。密集编码器用于将输入上已经很紧凑一组数字映射至预测：分类（离散）或回归（连续）数据。

以下是一个用于预测波士顿房价的 FFNN 示例，属于回归问题：

项目 GitHub 地址[……]

继续阅读

深度学习是表征学习，即通过数据自动生成有用的表征。我们表述世界的方式可以使复杂事物简单化，让人类及我们构建的机器学习模型能够容易理解。哥白尼于 1543 年发表的日心说模型。与先前以地球为中心的地心说模型不同，该模型将太阳置于 “宇宙” 的中心。在最佳情况下，深度学习让我们可以自动处理此步骤，无需哥白尼（即人类专家）即可完成 “特征工程” 过程：

从高层次来看，神经网络可以是编码器、解码器或二者的结合：

• 编码器会在原始数据中找到模式，以生成简洁有用的表征
• 解码器会利用这些表征生成高分辨率数据。所生成的数据是新示例或描述性知识

其余是一些巧妙方法，可帮助我们有[……]

继续阅读