Всем привет! Я считаю, что вы такой же энтузиаст машинного обучения, как и я;). Я начал изучать машинное обучение недавно и запутался в огромном количестве терминов, с которыми сталкивался ежедневно. Я потратил много времени на поиск каждого отдельного термина и его понимание. Итак, если вы застряли, как я, когда начал свой путь с машинного обучения, или не хотите тратить много времени на понимание всех терминов, тогда эта статья для вас. (Приятного чтения!)
Здесь я определю некоторые нюансы терминов, которые вы слышите или читаете, когда начинаете обучать свою модель с помощью машинного обучения или глубокого обучения, и вам трудно ее понять. Давай начнем!
Искусственный интеллект
Искусственный интеллект использует информатику и данные для решения проблем с помощью машин. Машинное обучение и глубокое обучение являются частью ИИ.
Машинное обучение
Машинное обучение относится к изучению компьютерных систем, которые автоматически учатся и адаптируются на основе опыта, без явного программирования.
Глубокое обучение
Глубокое обучение — это метод машинного обучения, который объединяет алгоритмы и вычислительные блоки — или нейроны — в так называемую искусственную нейронную сеть.
Тензорный поток
Tensorflow — это сквозная среда глубокого обучения с открытым исходным кодом, разработанная Google. Это символьная математическая библиотека, используемая для нейронной сети.
Керас
Keras — это библиотека нейронных сетей с открытым исходным кодом и эффективный высокоуровневый интерфейс прикладного программирования нейронных сетей (API), написанный на Python.
Питорч
Pytorch — это относительно новый фреймворк для глубокого обучения, основанный на torch, разработанном командой искусственного интеллекта Facebook. Torch — это библиотека машинного обучения с открытым исходным кодом, среда научных вычислений и язык сценариев на основе языка программирования Lua.
Тензор
Тензор — это многомерный массив. В отличие от массива, они неизменяемы. Самое полезное в Tensor — это память, такая как GPU.
Примечание. В глубоком обучении нам нужна производительность для тяжелых вычислений, поэтому для ускорения процесса обычно потребуются графические процессоры.
компилировать
compile() — это метод Keras, который настраивает модель для обучения.
model.compile(
optimizer=keras.optimizers.RMSprop(), # Optimizer
loss=keras.losses.SparseCategoricalCrossentropy(),
metrics=[keras.metrics.SparseCategoricalAccuracy()] )
Оптимизатор
Оптимизатор итеративно обновляет вес и смещения для модели.
Потеря
Потеря вычисляет ошибку, которую модель должна стремиться минимизировать во время обучения.
Метрики
Метрики — это функция, которая используется для оценки производительности вашей модели. Он информирует модель о том, что при обновлении весов вам необходимо увидеть ошибку.
Примечание. Потери используются во время обучения модели, а метрики используются только для проверки производительности. Мы можем использовать любую функцию потерь в качестве метрики.
соответствовать
fit() — это метод Keras, который обучает модель в течение фиксированного количества эпох (итераций в наборе данных).
history = model.fit(
x_train,
y_train,
batch_size=8,
epochs=2,
validation_data=(x_val, y_val)
)
Эпохи
Эпохи — это количество раз, когда мы хотим, чтобы модель видела весь набор данных.
Размер партии
Размер партии — это количество образцов, отдаваемых модели за раз.
Набор проверки
Данные проверки — это часть набора данных, используемого для тестирования модели в процессе обучения. Это дает представление о том, как продвигается обучение.
Примечание. Данные проверки используются не для обучения данных, а только для проверки хода обучения.
fit_generator
fit_generator() будет работать так же, как метод fit(), но важно понимать, когда его использовать. Когда нам нужно применить увеличение данных к нашему набору данных, следует использовать fit_generator().
тренироваться
train() — это метод Pytorch, который переводит модуль в режим обучения.
model.train(Истина)
предсказывать
Метод предсказания () Кераса используется для получения предсказания обученной модели.
пред = модель.прогноз(x_test)
оценивать
Keras предоставляет функцию Assessment(), которая выполняет оценку модели.
оценка = model.evaluate (x_test, y_test, подробный = 0)
Примечание: оценка() предсказывает выходные данные для заданного ввода, а затем вычисляет функцию метрик, указанную в compile(), и возвращает значение метрики, тогда как прогнозирование() просто возвращает предсказанные значения.
Если вам понравилась эта статья, ознакомьтесь с Часть 2, которая поможет вам понять некоторые другие термины машинного обучения / глубокого обучения.
Это все всем. Я перечисляю некоторые ссылки, на которые я ссылался, проверьте их для получения дополнительной информации. Надеюсь, вам понравилось, и вы хорошо провели время, учась. :)
[1]: Глубокое обучение и машинное обучение: руководство для начинающихhttps://www.coursera.org/articles/ai-vs-deep-learning-vs-machine-learning-beginners-guide
[2]: Keras, Tensorflow и Pytorch: основные различия между платформами глубокого обучения https://www.simplilearn.com/keras-vs-tensorflow-vs-pytorch-article
[3]: API для обучения моделей https://keras.io/api/models/model_training_apis/