文件名称：pydatatutorial:PyData教程，3.5.2018慕尼黑
文件大小：14.07MB
文件格式：ZIP
更新时间：2024-06-04 07:27:45
JupyterNotebook
神经网络架构简介 本教程在2018年3月3.5日的慕尼黑PyData组会议上给出。 它包含三个部分： 致密层 卷积层 循环图层 尽管是笔记本电脑，但这是一个演讲，最好使用RISE插件查看。 所有评论都标记为跳过，并且为了满足谈话的需要，导入了许多图像。 可以使用原始的笔记本，但是经过改进的版本是Intro_to_neural_networks.ipynb，其中添加了注释并提供了模型的权重，因为某些笔记本需要一些培训时间。 并不是要创建高性能模型，特别是由于没有使用任何辍学模型，这些模型的推广往往很糟糕。 该笔记本使用标准仙女座python 3.6发行版开发，对于本教程使用了MNIST数据集和Keras。 还需要安装graphviz来可视化模型，检查keras.utils.vis_utils软件包的要求。 “ vis”文件夹中的模型可视化来自keras的plot_model例程的改进
【文件预览】：
pydatatutorial-master
----.gitattributes(66B)
----utils()
--------keras_helper.py(3KB)
--------__init__.py(0B)
--------image_helper.ipynb(4KB)
----models()
--------rnn_model.h5(92KB)
--------dense_model_std.h5(424KB)
--------conv_model.h5(279KB)
--------conv_model_big.h5(2.46MB)
--------dense_model_mix.h5(424KB)
--------conv_model_mix.h5(280KB)
--------dense_model_big.h5(3.16MB)
----img()
--------tajmahal.png(167KB)
--------mnist_sequence.png(42KB)
--------categorical_crossentropy.png(36KB)
--------dense_overview.png(61KB)
--------gru_overview.png(48KB)
--------gradient.png(72KB)
--------feature_size.png(53KB)
--------questions.png(197KB)
--------activation.png(39KB)
--------RNN-unrolled.png(92KB)
--------test.png(17KB)
--------pooling.png(195KB)
--------filter.png(31KB)
--------zoom_out_ai.PNG(750KB)
--------ff2.png(638KB)
--------neural_layer_simple.png(7KB)
--------gradient_overview.png(89KB)
--------recurrent.png(150KB)
--------processed_image.png(1.43MB)
--------sigmoid_activation.png(15KB)
--------dense_overview_small.png(21KB)
--------conv_overview.PNG(139KB)
--------ff1.png(2.24MB)
--------deep_networks.png(72KB)
--------pydatatutorial.pptx(609KB)
--------~$pydatatutorial.pptx(165B)
----vis()
--------vis_classes2.py(10KB)
--------__init__.py(0B)
--------__pycache__()
--------vis_utils2.py(5KB)
----Intro_to_neural_networks.ipynb(526KB)
----readme.md(1KB)
----Intro_to_neural_networks_orginal_talk.ipynb(516KB)