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/