Wstęp 9

1. Wprowadzenie do uczenia głębokiego 11

• Uczenie maszynowe pożera informatykę 11
• Podstawowe elementy uczenia głębokiego 12
  
  • W pełni połączona warstwa 13
  • Warstwa splotowa 13
  • Warstwy rekurencyjnej sieci neuronowej 14
  • Komórki LSTM 15
• Architektury uczenia głębokiego 15
  
  • LeNet 16
  • AlexNet 16
  • ResNet 17
  • Automatyczne generowanie opisów 18
  • Neuronowe tłumaczenie maszynowe firmy Google 18
  • Modele jednorazowe 19
  • AlfaGo 21
  • Generatywne sieci kontradyktoryjne 22
  • Neuronowe maszyny Turinga 23
• Środowiska uczenia głębokiego 23
  
  • Ograniczenia TensorFlow 24
• Podsumowanie 25

2. Wprowadzenie do podstawowych elementów TensorFlow 27

• Poznajemy tensory 27
  
  • Skalary, wektory i macierze 28
  • Algebra macierzy 31
  • Tensory 33
  • Tensory w fizyce 34
  • Dygresje matematyczne 35
• Proste obliczenia w TensorFlow 36
  
  • Instalacja TensorFlow i rozpoczęcie pracy 36
  • Inicjalizacja stałych tensorów 37
  • Próbkowanie losowych tensorów 38
  • Dodawanie i skalowanie tensorów 39
  • Operacje na macierzach 39
  • Typy tensorów 41
  • Manipulacje kształtem tensora 41
  • Wprowadzenie do rozgłaszania 42
• Programowanie imperatywne i deklaratywne 43
  
  • Grafy TensorFlow 44
  • Sesje TensorFlow 45
  • Zmienne TensorFlow 45
• Podsumowanie 47

3. Regresja liniowa i logistyczna z TensorFlow 49

• Przegląd matematyczny 49
  
  • Funkcje i różniczkowalność 49
  • Funkcje straty 51
  • Metoda gradientu prostego 55
  • Systemy automatycznego różniczkowania 57
• Uczenie z TensorFlow 59
  
  • Tworzenie ćwiczebnych zbiorów danych 59
  • Nowe koncepcje TensorFlow 64
• Uczenie modeli liniowych i logistycznych w TensorFlow 68
  
  • Regresja liniowa w TensorFlow 68
  • Regresja logistyczna w TensorFlow 75
• Podsumowanie 80

4. W pełni połączone sieci głębokie 81

• Czym jest w pełni połączona sieć głęboka? 81
• "Neurony" w sieciach w pełni połączonych 83
  
  • Uczenie w pełni połączonych sieci z propagacją wsteczną 85
  • Twierdzenie o uniwersalnej zbieżności 86
  • Dlaczego głębokie sieci? 87
• Szkolenie w pełni połączonych sieci neuronowych 88
  
  • Reprezentacje możliwe do uczenia 88
  • Aktywacje 89
  • Zapamiętywanie w sieciach w pełni połączonych 89
  • Regularyzacja 90
  • Szkolenie sieci w pełni połączonych 93
• Implementacja w TensorFlow 93
  
  • Instalacja DeepChem 93
  • Zbiór danych Tox21 94
  • Przyjmowanie minigrup węzłów zastępczych 95
  • Implementacja warstwy ukrytej 95
  • Dodawanie porzucania do warstwy ukrytej 96
  • Implementacja minigrup 97
  • Ocena dokładności modelu 97
  • Korzystanie z TensorBoard do śledzenia zbieżności modeli 98
• Podsumowanie 99

5. Optymalizacja hiperparametrów 101

• Ewaluacja modelu i optymalizacja hiperparametrów 102
• Wskaźniki, wskaźniki, wskaźniki 103
  
  • Wskaźniki klasyfikacji binarnej 103
  • Wskaźniki klasyfikacji wieloklasowej 106
  • Wskaźniki regresji 107
• Algorytmy optymalizacji hiperparametrów 108
  
  • Ustalenie linii bazowej 108
  • Metoda spadku studenta 110
  • Metoda przeszukiwania siatki 111
  • Losowe wyszukiwanie hiperparametrów 112
  • Zadanie dla czytelnika 113
• Podsumowanie 113

6. Splotowe sieci neuronowe 115

• Wprowadzenie do architektur splotowych 116
  
  • Lokalne pola recepcyjne 116
  • Jądra splotowe 118
  • Warstwy łączące 120
  • Tworzenie sieci splotowych 120
  • Rozszerzone warstwy splotowe 121
• Zastosowania sieci splotowych 122
  
  • Wykrywanie i lokalizacja obiektów 122
  • Segmentacja obrazu 123
  • Sploty grafowe 123
  • Generowanie obrazów przy użyciu autokoderów wariacyjnych 124
• Trenowanie sieci splotowej w TensorFlow 129
  
  • Zbiór danych MNIST 129
  • Wczytywanie zbioru MNIST 130
  • Podstawowe elementy sieci splotowych w TensorFlow 132
  • Architektura splotowa 134
  • Ewaluacja trenowanych modeli 137
  • Zadanie dla czytelnika 139
• Podsumowanie 139

7. Rekurencyjne sieci neuronowe 141

• Przegląd architektur rekurencyjnych 142
• Komórki rekurencyjne 144
  
  • Długa pamięć krótkoterminowa (LSTM) 144
  • Bramkowane jednostki rekurencyjne (GRU) 146
• Zastosowania modeli rekurencyjnych 146
  
  • Generowanie danych przez sieci rekurencyjne 146
  • Modele seq2seq 147
• Neuronowe maszyny Turinga 149
• Praca z rekurencyjnymi sieciami neuronowymi w praktyce 150
• Przetwarzanie korpusu językowego Penn Treebank 151
  
  • Kod przetwarzania wstępnego 152
  • Wczytywanie danych do TensorFlow 154
  • Podstawowa architektura rekurencyjna 155
  • Zadanie dla czytelnika 157
• Podsumowanie 157

8. Uczenie przez wzmacnianie 159

• Procesy decyzyjne Markowa 163
• Algorytmy uczenia przez wzmacnianie 164
  
  • Q-uczenie 165
  • Uczenie się polityki 166
  • Szkolenie asynchroniczne 168
• Ograniczenia uczenia przez wzmacnianie 168
• Gra w kółko i krzyżyk 170
  
  • Obiektowość 170
  • Abstrakcyjne środowisko 171
  • Środowisko gry w kółko i krzyżyk 171
  • Abstrakcja warstwowa 174
  • Definiowanie grafu warstw 176
• Algorytm A3C 180
  
  • Funkcja straty A3C 183
  • Definiowanie wątków roboczych 185
  • Trenowanie polityki 187
  • Zadanie dla czytelnika 188
• Podsumowanie 189

9. Szkolenie dużych głębokich sieci 191

• Specjalistyczny sprzęt dla głębokich sieci 191
• Szkolenie z użyciem CPU 192
  
  • Szkolenie z użyciem GPU 193
  • Procesory tensorowe 194
  • Bezpośrednio programowalne macierze bramek 195
  • Układy neuromorficzne 196
• Rozproszone szkolenie głębokich sieci 197
  
  • Równoległość danych 197
  • Równoległość modeli 198
• Szkolenie na równoległych danych z użyciem wielu układów GPU na zbiorze CIFAR10 199
  
  • Pobieranie i wczytywanie danych 201
  • Głębokie zanurzenie w architekturę 202
  • Szkolenie na wielu układach GPU 204
  • Zadanie dla czytelnika 206
• Podsumowanie 207

10. Przyszłość głębokiego uczenia 209

• Głębokie uczenie poza branżą techniczną 209
  
  • Głębokie uczenie w przemyśle farmaceutycznym 210
  • Głębokie uczenie w prawie 211
  • Głębokie uczenie w robotyce 211
  • Głębokie uczenie w rolnictwie 212
• Etyczne wykorzystanie głębokiego uczenia 212
• Czy uniwersalna sztuczna inteligencja jest nieuchronna? 214
• Co dalej? 214

Skorowidz 216

• Назва: Głębokie uczenie z TensorFlow. Od regresji liniowej po uczenie przez wzmacnianie
• Автор: Bharath Ramsundar, Reza Bosagh Zadeh
• Оригінальна назва: TensorFlow for Deep Learning: From Linear Regression to Reinforcement Learning
• Переклад: Leszek Sagalara
• ISBN: 978-83-283-5706-8, 9788328357068
• Дата видання: 2019-11-13
• Формат: Eлектронна книга
• Ідентифікатор видання: glutef
• Видавець: Helion