Tensorflow 和深度学习——无需博士学位 by Martin Görner

Tensorflow and deep learning - without a PhD by Martin Görner

频道:Devoxx · 时长:2:35:53 · 发布:2016-11-09 · 播放:610133

在 YouTube 观看

简介

Martin Gorner 在 Devoxx 的演讲介绍了使用 TensorFlow 的深度学习,讲解了用于 MNIST 的神经网络、如何选择架构以及如何诊断训练失败的神经网络。

HN 为什么推荐

多次被称为优秀的、实用的介绍,在两小时内涵盖了很多内容,并解释了学术教科书跳过的问题。

“Tensorflow 和深度学习——无需博士学位”真的很好,在单个 2 小时的演讲中涵盖了很多材料。 — HN, 2018

机器学习与深度学习 · 计算机视觉、语音与 NLP

中文字幕节选

大家好,呃,感谢大家来参加这个关于呃 TensorFlow和深度学习的大学课程,你们很勇敢,来和我一起度过呃三个小时 在这里讨论神经网络、TensorFlow以及所有我们能做的 有趣的事情 [音乐] 呃,那么让我们 开始吧, 是的,也许这样,呃,你们还能听清我说话吗?好的,即使在后面大家 都能听到我,完美,那么开始吧,呃,今天我为你们准备了不少内容,当然我们 呃,不会涵盖神经网络和深度学习中的所有内容 在这个大学课程中,呃,但基本上我呃,我想带你们 了解呃两个经典例子,呃,一个我们将在第一部分 课程中做,呃,就是手写数字识别,然后在第二部分 课程中,呃,我们将深入循环神经网络,呃,我希望的是 通过这个小小的探索,在呃,比如说三种不同类型的神经网络中 你们将有足够的信息,然后自己去阅读神经网络 博客,呃,阅读科学论文,并实际解析那些并不总是有用的 数学和形式化,并理解正在被解释的架构 所以让我们直接深入,这是一个非常经典的数据集 呃,它已经存在了大约,比如说20年,如果你访问网站 MNIST网站,呃,你会看到,呃,人们一直在研究这个,你 有20年的呃科学论文呃发表,我们将 总结这个领域取得的所有进展,在大约45 分钟内,所以让我们开始,让我们开始,构建最简单的神经网络 用于识别那些手写数字,就在你们开始之前 呃,谁昨天参加了TensorFlow课程,代码实验室,好的,有几个人 所以呃,你们,我希望你们在前45分钟不会感到无聊,呃, 因为你们已经见过这些了,呃,但之后我们会加速 所以请留下来,呃,还有谁对呃神经网络 和深度呃深度学习有一些经验,几个人,好的,所以 请随时介入,随时帮助,随时添加额外的 信息,我,我并不假装知道一切,呃,但如果你们没有任何 神经网络的经验,呃,我会尽力呃从最基础开始 解释,并构建呃一直构建到顶部,所以 是的,让我们构建它,这是你能想象的最简单的神经网络,呃,用于 识别那些手写数字,所以只有10个神经元,呃,我们的图像 以28x28像素的呃图像形式出现,我们做的第一件事是 将所有像素展平成一个长向量,784像素向量,这就是我们 将用作输入的内容,现在我们的10个神经元,这里的10个圆圈 将始终做神经元所做的同样事情:对其所有输入进行加权求和 加上一个常数,我们称之为偏置,然后将这个和 通过激活函数,呃,今天会提到几个激活函数 呃,它们的共同点是它们是非线性的 所以这就是全部:输入的加权和加上一个常数,通过 非线性激活函数,现在我们有了这10个神经元,为什么是10个?因为我们 正在分类从0到9的数字,我们希望的是,如果我们正确选择 加权和的权重和偏置,呃,这10个神经元中的一个 将有一个非常强的输出,告诉我们这实际上是一个 8,在这里被识别出来,那么我们将使用哪个激活函数 呃,如我所说,我们会看到几个,但对于分类问题,呃, 前人的智慧告诉我们,softmax实际上是一个非常好的激活

HN 上的讨论

视频版本 [1] 也相当棒,尽管其代码本身现在有点过时了。它解释了许多非常实际的问题,这些问题你可能在大多数学术教科书中找不到,但在实践中每天都会遇到。[1] [VIDEO] — halflings, 2020-07
对于那些只想深入了解深度学习的人来说,《Tensorflow 和深度学习——无需博士学位》真的很不错,在短短两小时的演讲中涵盖了大量内容。[VIDEO] — eddieplan9, 2018-03
我看了一个关于TensorFlow的很棒的视频(链接如下)。它主要介绍非常基础的深度学习概念,但在这个2小时多的视频中有几个关键时刻,他解释了如果出错了该怎么办。这绝对不是一门“科学”,但有了足够的深度学习经验,你可以直觉地知道黑盒子里发生了什么,并且有最佳实践告诉你接下来该尝试什么。例如,他举了几个例子,神经网络权重太多、数据太少或节点连接不当。这三种情况都会导致问题,但问题以略有不同的方式表现出来,有了专业知识,你就可以开始识别它们。[VIDEO] — speedplane, 2017-06
对于深度学习,从MNIST开始。描述LeNet的1998年论文[1]比最近的论文详细得多。此外,Google的Martin Gorner有一个很棒的视频,描述了用于MNIST的一系列神经网络[2]。他演讲中使用的源代码非常出色[3]。[1] [LINK] [2] [VIDEO] [3] [LINK] — paulsutter, 2017-01
了不起的工作;它让这里每个人都能真正使用AI和深度学习。如果你还没看过,看看这个作为入门:[VIDEO] 我希望AMD显卡能得到完全支持。我真的认为AMD应该想办法与TensorFlow团队合作…… — andy_ppp, 2017-02

相关视频