Основы TensorFlow

В этом модуле приведены все основные понятия и практические знания, необходимые для начала работы с TensorFlow. Мы изучаем Keras, высокоуровневый API, выпущенный в рамках TensorFlow, и используем его для создания нейронной сети для классификации изображений.

В этом модуле приведены общие сведения об интерфейсе Компьютерного зрения, использующем TensorFlow. Мы будем использовать классификацию изображений, чтобы узнать о сверточных нейронных сетях, а затем посмотрим, как предварительно обученные сети и трансфертное обучение могут улучшить наши модели и решить реальные проблемы.

В этом модуле мы рассмотрим различные архитектуры нейронных сетей для обработки текстов на естественных языках. Быстрое распространение и развитие обработки естественного языка (NLP) прежде всего связано с тем, что эффективность языковых моделей зависит от их общей способности "понять" текст, а сами они могут быть обучены с помощью неконтролируемого метода для больших совокупностей текстов. Кроме того, предварительно обученные текстовые модели, такие как BERT, упростили многие задачи NLP и значительно повысили производительность. Подробнее об этих методах и основах NLP вы узнаете из этого учебного модуля.

В этом учебном модуле мы будем изучать классификацию звука с помощью TensorFlow. Есть несколько способов создания модели для классификации звука. Вы можете использовать звукозаписи, разделы тегов WAV-файла или даже использовать компьютерное зрение в изображении спектрограмм. В этом учебнике сначала рассматривается распознавание звуковых данных, от аналоговых до цифровых. Затем мы создадим модель с помощью компьютерного зрения в изображениях спектрограмм. Правильно, вы можете превратить звук в изображение, а затем с помощью компьютерного зрения классифицировать произнесенное слово!

Если вы завершили работу с первым модулем и поняли, что вам нужна дополнительная гибкость при сборке или отладке модели, вам стоит ознакомиться с этим модулем. Мы покажем, как создать простую нейронную сеть для классификации изображений, но на этот раз мы будем использовать код TensorFlow нижнего уровня и объясним основные понятия, необходимые для его понимания.