В этой главе мы рассмотрим основы глубокого обучения Python.
Модели / алгоритмы глубокого обучения
Давайте теперь узнаем о различных моделях / алгоритмах глубокого обучения.
Вот некоторые из популярных моделей глубокого обучения:
- Сверточные нейронные сети
- Рекуррентные нейронные сети
- Глубокие сети убеждений
- Генеративные состязательные сети
- Авто-кодировщики и т. Д.
Входы и выходы представлены в виде векторов или тензоров. Например, нейронная сеть может иметь входы, где отдельные пиксельные значения RGB в изображении представлены как векторы.
Слои нейронов, которые лежат между входным слоем и выходным слоем, называются скрытыми слоями. Именно здесь большая часть работы происходит, когда нейронная сеть пытается решить проблемы. Если присмотреться к скрытым слоям, можно многое узнать о функциях, которые сеть научилась извлекать из данных.
Различные архитектуры нейронных сетей формируются путем выбора, какие нейроны подключаться к другим нейронам в следующем слое.
Псевдокод для расчета выхода
Ниже приведен псевдокод для расчета выходного сигнала распространяющейся вперед нейронной сети.
- # node []: = массив топологически отсортированных узлов
- # Ребро от a до b означает a слева от b
- # Если нейронная сеть имеет R входов и S выходов,
- # тогда первые R узлы являются входными узлами, а последние S узлы являются выходными узлами.
- # входящие [x]: = узлы, связанные с узлом x
- # weight [x]: = веса входящих ребер в x
Для каждого нейрона х слева направо —