TensorFlow. 13 praktycznych projektów

TensorFlow. 13 praktycznych projektów - Opis

TensorFlow służy do projektowania i wdrażania zaawansowanych architektur głębokiego uczenia. Jego zaletami są prostota, wydajność i elastyczność. Umożliwia budowanie złożonych rozwiązań na bazie różnorodnych zbiorów danych. Co więcej, pozwala na stosowanie różnych technik uczenia nadzorowanego, nienadzorowanego oraz uczenia przez wzmacnianie. TensorFlow zmienił sposób postrzegania uczenia maszynowego. Dzięki temu środowisku każdy, kto chce uczynić z dużych zbiorów danych wiarygodne źródło wiedzy, może ten cel osiągnąć - niezależnie od tego, czy jest analitykiem danych, naukowcem, projektantem, czy pasjonatem metod sztucznej inteligencji.

To książka przeznaczona dla osób, które chcą nauczyć się tworzyć całościowe rozwiązania z wykorzystaniem uczenia maszynowego. Poszczególne zagadnienia zilustrowano trzynastoma praktycznymi projektami, w których wykorzystano między innymi analizy sentymentów, przetwarzanie języka naturalnego, systemy rekomendacyjne, generatywne sieci kontradyktoryjne czy sieci kapsułowe. Pokazano, w jaki sposób używać TensorFlow z interfejsem APO Spark i wspomagać obliczenia układami GPU. Przedstawiono zastosowanie rozkładu macierzy (SVD++), modeli rankingowych i odmian splotowej sieci neuronowej. Nie zabrakło prezentacji nowych rozwiązań o dużym potencjale, takich jak sieci DiscoGAN. Dołączony do książki kod źródłowy, liczne wskazówki i porady pozwolą na płynne rozpoczęcie pracy z TensorFlow oraz innymi narzędziami do budowy sieci neuronowych.

W tej książce między innymi:

podstawy pracy z TensorFlow
wykorzystanie TensorFlow (...) więcej do wizualizacji sieci neuronowych
zastosowanie procesu gaussowskiego do prognozowania cen akcji
wykrywanie oszukańczych transakcji za pomocą TensorFlow i Keras
implementacja sieci kapsułowych w TensorFlow
techniki uczenia przez wzmacnianie

TensorFlow: prostota, wydajność i imponujący potencjał!
Spis treści:

O autorach 11

O recenzentach 13

Wstęp 15

Rozdział 1. TensorFlow i uczenie maszynowe 19

Czym jest TensorFlow? 20
Rdzeń TensorFlow 20

Tensory 20
Stałe 22
Operacje 23
Węzły zastępcze 23
Tensory z obiektów Pythona 24
Zmienne 26
Tensory generowane z funkcji bibliotecznych 28
Uzyskiwanie zmiennych za pomocą tf.get_variable() 28

Graf obliczeniowy 29

Kolejność wykonywania i wczytywanie z opóźnieniem 30
Wykonywanie grafów na wielu urządzeniach obliczeniowych - CPU i GPGPU 31
Wiele grafów 35

Uczenie maszynowe, klasyfikacja i regresja logistyczna 35

Uczenie maszynowe 35
Klasyfikacja 37
Regresja logistyczna dla klasyfikacji binarnej 38
Regresja logistyczna dla klasyfikacji wieloklasowej 38

Regresja logistyczna z TensorFlow 39
Regresja logistyczna z Keras 41
Podsumowanie 42
Kwestie do rozważenia 43
Materiały dodatkowe 43

Rozdział 2. Wykorzystanie uczenia maszynowego do wykrywania egzoplanet w przestrzeni kosmicznej 45

Czym jest drzewo decyzyjne? 46
Do czego potrzebne są nam zespoły? 47
Metody zespołowe oparte na drzewach decyzyjnych 47

Lasy losowe 47
Wzmacnianie gradientowe 49

Zespoły oparte na drzewach decyzyjnych w TensorFlow 51

Estymator TensorForest 51
Estymator wzmacnianych drzew TensorFlow 52

Wykrywanie egzoplanet w przestrzeni kosmicznej 52
Budowanie modelu TFBT do wykrywania egzoplanet 56
Podsumowanie 60
Kwestie do rozważenia 61
Materiały dodatkowe 61

Rozdział 3. Analiza wydźwięku w przeglądarce przy użyciu TensorFlow.js 63

TensorFlow.js 64
Optymalizacja Adam 65
Strata kategoryzacyjnej entropii krzyżowej 66
Osadzanie słów 67
Budowanie modelu analizy wydźwięku 68

Wstępne przetwarzanie danych 69
Budowanie modelu 70

Uruchamianie modelu w przeglądarce przy użyciu TensorFlow.js 71
Podsumowanie 75
Kwestie do rozważenia 75

Rozdział 4. Klasyfikacja cyfr przy użyciu TensorFlow Lite 77

Czym jest TensorFlow Lite? 78
Mierniki oceny modeli klasyfikacji 80
Klasyfikacja cyfr przy użyciu TensorFlow Lite 81

Wstępne przetwarzanie danych i definiowanie modelu 82
Konwersja modelu TensorFlow na TensorFlow Lite 84

Podsumowanie 90
Kwestie do rozważenia 91

Rozdział 5. Rozpoznawanie mowy i ekstrakcja tematów przy użyciu NLP 93

Platformy i narzędzia do zamiany mowy na tekst 94
Zbiór poleceń głosowych Google Speech Commands Dataset 95
Architektura sieci neuronowej 95

Moduł ekstrakcji cech 96
Moduł głębokiej sieci neuronowej 96

Szkolenie modelu 97
Podsumowanie 99
Kwestie do rozważenia 99
Materiały dodatkowe 100

Rozdział 6. Przewidywanie cen akcji przy użyciu regresji procesu gaussowskiego 101

Twierdzenie Bayesa 102
Wprowadzenie do wnioskowania bayesowskiego 103
Wprowadzenie do procesów gaussowskich 104

Wybór jądra w PG 106

Zastosowanie PG do prognozowania rynku akcji 107
Tworzenie modelu prognozowania kursu akcji 109
Zrozumienie uzyskanych wyników 112
Podsumowanie 122
Kwestie do rozważenia 122

Rozdział 7. Wykrywanie oszustw dotyczących kart kredytowych przy użyciu autokoderów 123

Autokodery 124
Budowanie modelu wykrywania oszustw finansowych 125

Definiowanie i szkolenie modelu wykrywania oszustw finansowych 126
Testowanie modelu wykrywania oszustw finansowych 128

Podsumowanie 133
Kwestie do rozważenia 134

Rozdział 8. Generowanie niepewności w klasyfikatorze znaków drogowych przy użyciu bayesowskich sieci neuronowych 135

Bayesowskie uczenie głębokie 136

Twierdzenie Bayesa w sieciach neuronowych 137

TensorFlow Probability, wnioskowanie wariacyjne i metoda Monte Carlo 138
Budowanie bayesowskiej sieci neuronowej 140

Definiowanie, szkolenie i testowanie modelu 142

Podsumowanie 151
Kwestie do rozważenia 152

Rozdział 9. Dopasowywanie torebek na podstawie zdjęć butów z wykorzystaniem sieci DiscoGAN 153

Modele generatywne 154

Szkolenie sieci GAN 155
Zastosowania 157
Wyzwania 157

Sieci DiscoGAN 158

Podstawowe jednostki sieci DiscoGAN 159
Modelowanie sieci DiscoGAN 162

Budowanie modelu DiscoGAN 163
Podsumowanie 169
Kwestie do rozważenia 169

Rozdział 10. Klasyfikowanie obrazów odzieży przy użyciu sieci kapsułowych 171

Znaczenie sieci kapsułowych 172
Kapsuły 173

Jak działają kapsuły? 173

Algorytm trasowania dynamicznego 175
Wykorzystanie architektury CapsNet do klasyfikowania obrazów ze zbioru Fashion MNIST 178

Implementacja architektury CapsNet 178

Szkolenie i testowanie modelu 182
Rekonstrukcja przykładowych obrazów 187
Ograniczenia sieci kapsułowych 189
Podsumowanie 189

Rozdział 11. Tworzenie wysokiej jakości rekomendacji produktów przy użyciu TensorFlow 191

Systemy rekomendacji 192
Filtrowanie oparte na treści 193

Zalety algorytmów filtrowania opartego na treści 193
Wady algorytmów filtrowania opartego na treści 193

Filtrowanie kolaboratywne 193
Systemy hybrydowe 194
Rozkład macierzy 194
Przedstawienie zbioru danych Retailrocket 195
Analiza zbioru danych Retailrocket 195
Wstępne przetwarzanie danych 196
Model rozkładu macierzy dla rekomendacji Retailrocket 197
Model sieci neuronowej dla rekomendacji Retailrocket 200
Podsumowanie 202
Kwestie do rozważenia 202
Materiały dodatkowe 202

Rozdział 12. Wykrywanie obiektów na dużą skalę za pomocą TensorFlow 203

Wprowadzenie do Apache Spark 204
Rozproszony TensorFlow 206

Uczenie głębokie poprzez rozproszony TensorFlow 207

Poznaj TensorFlowOnSpark 210

Architektura TensorFlowOnSpark 210
Szczegóły API TFoS 211
Rozpoznawanie odręcznie zapisanych cyfr przy użyciu TFoS 212

Wykrywanie obiektów za pomocą TensorFlowOnSpark i Sparkdl 215

Transfer wiedzy 215
Interfejs Sparkdl 216
Budowanie modelu wykrywania obiektów 217

Podsumowanie 221

Rozdział 13. Generowanie skryptów książek przy użyciu LSTM 223

Rekurencyjne sieci neuronowe 224
Wstępne przetwarzanie danych 225
Definiowanie modelu 227
Szkolenie modelu 228
Definiowanie i szkolenie modelu generującego tekst 228
Generowanie skryptów książek 233
Podsumowanie 235
Kwestie do rozważenia 236

Rozdział 14. Gra w Pac-Mana przy użyciu uczenia głębokiego przez wzmacnianie 237

Uczenie przez wzmacnianie 238
Uczenie przez wzmacnianie a uczenie nadzorowane i nienadzorowane 238
Składniki uczenia przez wzmacnianie 239
OpenAI Gym 240
Gra Pac-Man w OpenAI Gym 241
Sieć DQN w uczeniu głębokim przez wzmacnianie 244
Zastosowanie sieci DQN do gry 246
Podsumowanie 249
Materiały dodatkowe 250

Rozdział 15. Co dalej? 251

Wdrażanie modeli TensorFlow do produkcji 251

TensorFlow Hub 252
TensorFlow Serving 254
TensorFlow Extended 255

Zalecenia dotyczące budowania aplikacji wykorzystujących sztuczną inteligencję 257
Ograniczenia uczenia głębokiego 258
Zastosowania sztucznej inteligencji w różnych branżach 259
Względy etyczne w sztucznej inteligencji 260
Podsumowanie 260 mniej