Mạng thần kinh lặp lại với TensorFlow

Xử lý dữ liệu theo trình tự như văn bản, chuỗi thời gian và log cảm biến đòi hỏi các mô hình học sâu chuyên biệt hiểu được trật tự và ngữ cảnh. Mạng nơron lặp lại (RNN) là kiến trúc nền tảng được thiết kế để xử lý các mô hình trình tự này. Trong khóa học dựa trên văn bản này, bạn sẽ học cách thiết kế, xây dựng và huấn luyện RNN bằng TensorFlow. Bạn sẽ chuyển từ việc hiểu các khái niệm dữ liệu theo thứ tự cơ bản đến viết mã TensorFlow sạch, hiện đại cho các nhiệm vụ như mô hình văn bản và dự báo chuỗi thời gian. Bạn sẽ học được: - Hiểu kiến trúc nền tảng của các mạng nơron lặp lại (RNN), LSTM và GRU. - Chuẩn bị và xử lý trước văn bản và dữ liệu chuỗi thời gian cho các mô hình học sâu. - Tạo mô hình trình tự-đến-định-luật và trình tự đến-vectơ sử dụng Keras API hiện đại trong TensorFlow. - Ứng dụng các kỹ thuật huấn luyện như gradient clipping để xử lý gradient biến mất và nổ tung. - Cấu hình cơ chế chú ý cơ bản để cải thiện hiệu suất mô hình trình tự. - Đánh giá hiệu suất mô hình sử dụng các thước đo cụ thể và các hàm mất. Chuyến đi học của bạn bắt đầu với thuật ngữ mô hình chuỗi khóa và các khái niệm mạng nơron cơ bản. Từ đó, bạn sẽ đọc qua các mã thực hiện từng bước, khám phá cách xây dựng, đào tạo và tối ưu hóa kiến trúc lặp lại cho dữ liệu thế giới thực. Chương trình này được thiết kế cho các nhà khoa học dữ liệu và nhà phát triển mới đến học sâu theo trình tự, không yêu cầu kinh nghiệm trước đó với RNN. Bắt đầu đọc ngay hôm nay để giải phóng sức mạnh của học sâu theo trình tự với TensorFlow.