第1章:ディープラーニングの概要
1.1人工知能
人工知能の強さはそれを3つのカテゴリーに分類します
(1)人工狭窄(ANI)
(2)人工知能(AGI)
(3)人工知能(ASI)
1.2データマイニング、機械学習、ディープラーニング
1.2.1データマイニング
データマイニングは、大規模なデータベースで有用な情報を発見および分析するプロセスであり、KDD(データベースでの知識発見)とも呼ばれます。
1.2.2機械学習
機械学習は人工知能を実現する方法と見なすことができます。これはデータマイニングに似ており、確率理論、統計学、近似理論、凸解析、計算複雑性理論、その他の分野を含む複数分野の学際的分野でもあります。
1.2.3深層学習
ニューラルネットワークの開発に伴い、現在人気のあるネットワーク構造は、ディープニューラルネットワーク(DNN)、畳み込みニューラルネットワーク(CNN)、リカレントリカレントニューラルネットワーク(RNN)、ジェネレーティブアダーサルネットワーク(GAN)などです。本は一つずつ詳細に紹介するので、ここでは繰り返さない。
第2章深層学習フレームワーク
TensorFlow
現在、Tensorflowは世界で最も使用されているフレームワークであり、最大のコミュニティです。Googleが作成されているため、頻繁に維持および更新され、Python C ++インターフェースと非常に完全なチュートリアルが含まれています。
言語が低レベルであるため、Tensorf1の機能をカプセル化して簡単にするために、現在多くのtensorflowベースの抽象ライブラリがあります
カフェ
その名前から見ると、たたみ込みネットワークを非常によくサポートし、C ++でも記述されていますが、Pythonインターフェースは提供せず、10以上のインターフェースしか提供していません。
テアノ
つまり、TensorflowはTheanoの子のようなものです
松明
この本の主人公であるPyTorchはTorchの前身です。その最下層はTorchフレームワークと同じですが、多くのコンテンツがPythonで書き直されており、より柔軟性があり、動的グラフをサポートしているだけでなく、Pythonインターフェースも提供しています。
MXNe
MXNetの欠点も明らかです。チュートリアルは完全ではなく、コミュニティはそれほど多くないため、MXNetに基づくコンテストや論文は毎年少ないため、MXNetの宣伝と人気は高くありません。
2.2 PyTorchの概要
2.2.1 PyTorchとは
強力なGPUアクセラレーションを実現できるだけでなく、Tensorflowなどの多くのメインストリームフレームワークではサポートされていない機能的なニューラルネットワークもサポートしています。
2.2.2 PyTorchを使用する理由
- フレームワークの習得は永遠にできるわけではありません
- PyTorchは、リバースオートマチックデリバティブテクノロジーを通じて、ニューラルネットワークの動作を遅延なしで任意に変更できますが、このテクノロジーはPyTorchに固有のものではありません
- PyTorchのデザインアイデアは直線的で直感的で使いやすいものです。コード行を実行すると、非同期の世界ビューなしで忠実に実行されます。
- PyTorchのコードはTensorflowよりも簡潔ですが、高度に工業化されているTensorflowの基礎となるコードを理解することは困難です。
pytorchの利点:
2.3.1 Python開発環境のインストール
https://pytorch.org/get-started/locally/
第3章多層完全接続ニューラルネットワーク
3.1ウォームアップ:PyTorchの基本
3.1.1 Tensor(テンソル)
PyTorchで処理される最も基本的な操作オブジェクトはTensorです。Tensorは英語のテンソルであり、多次元行列を表します
。。。
先生のご要望により、夏季にTFを通過させていただきますので、このノートはあいさつになるはずです