深度學(xué)習(xí)--用 PYTHON 開發(fā)你的智能應(yīng)用.pdf
http://www.www.srpcoatings.com
2020年2月6日
![]() |
| 第1頁 |
![]() |
| 第8頁 |
![]() |
| 第16頁 |
![]() |
| 第28頁 |
![]() |
| 第39頁 |
參見附件(9273KB,49頁)。
深度學(xué)習(xí)--用 PYTHON 開發(fā)你的智能應(yīng)用,這是一本由資深開發(fā)人員寫作的一本教程,書中為讀者們提供了深度學(xué)習(xí)的原理及學(xué)習(xí)線路圖,書以圖文并茂模式寫作。

作者資料
工作:Amazon Web Services / Evangelist
7年 Windows/ Internet/ Cloud @
3年 iOS/ Mobile App @
1.5年 Cloud Computing @
技術(shù)關(guān)注:
云計算:架構(gòu)、大數(shù)據(jù)、計算優(yōu)化
機器學(xué)習(xí):深度學(xué)習(xí)、自然語言處理
語言:Python、Go、Scala、Lua
Web:爬蟲
深度學(xué)習(xí)和機器學(xué)習(xí)的區(qū)別
ML的算法包括監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)
適用非線性處理單元的多層次的特征提取和轉(zhuǎn)換基于對多個層的特征或者表象的學(xué)習(xí),形成一個由低級到高級的層次結(jié)構(gòu)特征
傳統(tǒng)的機器學(xué)習(xí)關(guān)注于特征工程,深度學(xué)習(xí)關(guān)注于端到端的基于原始數(shù)據(jù)的學(xué)習(xí)
深度學(xué)習(xí)都有什么優(yōu)點
特性自動推導(dǎo)和預(yù)期結(jié)果的優(yōu)化調(diào)整
可變的自動學(xué)習(xí)的健壯性
重用性-相同的神經(jīng)網(wǎng)絡(luò)的方法可用于許多應(yīng)用和數(shù)據(jù)類型
通過利用GPU的大規(guī)模并行計算-可擴展的大容量數(shù)據(jù)
深度學(xué)習(xí)的開發(fā)框架
Torch (NYU,2002), Facebook AI, Google Deepmind
Theano (University of Montreal, ~2010), 學(xué)院派
Kersa, “Deep Learning library for Theano and TensorFlow”
Caffe (Berkeley),卷積神經(jīng)網(wǎng)絡(luò),賈揚清
TensorFlow (Google)
Spark MLLib
深度學(xué)習(xí)--用 PYTHON 開發(fā)你的智能應(yīng)用截圖


深度學(xué)習(xí)
-用 PYTHON 開發(fā)你的智能應(yīng)用
, 費良宏 lianghon@amazon.com AWS Technical Evangelist
21 April 2016關(guān)于我
工作:Amazon Web Services Evangelist
7 年 Windows Internet Cloud @
3 年 iOS Mobile App @
1.5 年 Cloud Computing @
技術(shù)關(guān)注:
云計算:架構(gòu)、大數(shù)據(jù)、計算優(yōu)化
機器學(xué)習(xí):深度學(xué)習(xí)、自然語言處理
語言:Python、Go、Scala、Lua
Web:爬蟲
2016的目標(biāo):Web爬蟲+深度學(xué)習(xí)+自然語言處理 = ?
Microso?
Apple
AWS今年最激動人心的事件?
2016.1.28 “Mastering the game of Go with deep neural networks and tree search”今年最激動人心的事件?
2016年3月Alphago 4:1 擊敗李世石九段人工智能 VS. 機器學(xué)習(xí) VS. 深度學(xué)習(xí)人工智能發(fā)展的歷史四大宗師
Yann Lecun, Geo? Hinton, Yoshua Bengio, Andrew Ng機器學(xué)習(xí)
機器學(xué)習(xí)是一門人工智能的科學(xué)。機器學(xué)習(xí)算法是一類從
數(shù)據(jù)中自動分析獲得規(guī)律,并利用規(guī)律對未知數(shù)據(jù)進行預(yù)
測的算法機器學(xué)習(xí)
計算機能夠分辨出來他她是誰嗎?機器學(xué)習(xí)機器學(xué)習(xí)
基于過去的事實和數(shù)據(jù),用來發(fā)現(xiàn)趨勢和模式
機器學(xué)習(xí)模型提供了對于結(jié)果的洞察力,機器學(xué)習(xí)幫助
揭示未來的一個結(jié)果的概 率而不僅僅是過去發(fā)生的事情
歷史的數(shù)據(jù)和統(tǒng)計建模被用于概率進行預(yù)測
傳統(tǒng)的數(shù)據(jù)分析旨在回答關(guān)于過去的事實,機器學(xué)習(xí)的目
的是回答關(guān)于未來事件的可能性的問題!機器學(xué)習(xí)的應(yīng)用場景
個性化 – 提供個性化的電子商務(wù)體驗
文檔聚類 – 按照文檔上下文自動分類
欺詐檢測 – 發(fā)現(xiàn)異常的規(guī)律行為,識別和標(biāo)記欺詐交易
推薦引擎
客戶流失預(yù)測...機器學(xué)習(xí)-學(xué)習(xí)方式
監(jiān)督學(xué)習(xí)- 人工干預(yù)和驗證的要求,算法:Logistic Regression,Back Propagation Neural
Network 等。例如:照片分類和標(biāo)簽
無監(jiān)督學(xué)習(xí)- 無人工干預(yù)的要求, 算法: Apriori算法以及k-Means。例如:對于文檔的基于上下
文的自動分類
半監(jiān)督學(xué)習(xí) - 介于監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)之間,算法: Graph Inference 或者Laplacian SVM
強化學(xué)習(xí)- 通過觀察來學(xué)習(xí)做成如何的動作, 算法:Q-Learning以及時間差學(xué)習(xí)機器學(xué)習(xí)- 方法及流程
輸入特征選擇 – 基于什么進行預(yù)測
目標(biāo) – 預(yù)測什么
預(yù)測功能 – 回歸、聚類、降維...
Xn -> F(xn) -> T(x)機器學(xué)習(xí)- 舉例機器學(xué)習(xí)- 舉例
如何讓機器分辨出來他她是誰 ?
圖像分析 –
輸入特征選擇 ->面部特征、發(fā)型、裙子、身高、手勢…機器學(xué)習(xí)- 何時使用
你不需要機器學(xué)習(xí),如果 -
使用簡單的規(guī)則和計算,你可以預(yù)測答案
你能夠預(yù)先了解到所需要的步驟不需要任何數(shù)據(jù)驅(qū)動的
學(xué)習(xí)
你需要機器學(xué)習(xí),如果 -
簡單的聚類規(guī)則是不充分的
面對大量的數(shù)據(jù)集的可伸縮性的問題機器學(xué)習(xí) - 總結(jié)
由已知答案的數(shù)據(jù)開始
明確目標(biāo) – 從數(shù)據(jù)中希望可以預(yù)測什么
選擇可以被用來預(yù)測目標(biāo)的模式所需要的變量特性
使用已知目標(biāo)答案的數(shù)據(jù)訓(xùn)練機器學(xué)習(xí)模型
對于未知答案的數(shù)據(jù),使用訓(xùn)練過的模型預(yù)測目標(biāo)
評估模型的準(zhǔn)確性
提高模型精度什么是深度學(xué)習(xí)?
深度學(xué)習(xí)是機器學(xué)習(xí)的一個分支,是一組在多個層次上
學(xué)習(xí)的算法,分別對應(yīng)不同級別的抽象深度學(xué)習(xí) VS. 機器學(xué)習(xí)
ML 的算法包括監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)
適用非線性處理單元的多層次的特征提取和轉(zhuǎn)換
基于對多個層的特征或者表象的學(xué)習(xí),形成一個由低級
到高級的層次結(jié)構(gòu)特征
傳統(tǒng)的機器學(xué)習(xí)關(guān)注于特征工程,深度學(xué)習(xí)關(guān)注于端到
端的基于原始數(shù)據(jù)的學(xué)習(xí)為什么需要深度學(xué)習(xí)?深度學(xué)習(xí)- 舉例深度學(xué)習(xí) - 神經(jīng)網(wǎng)絡(luò)
是一種模仿生物神經(jīng)網(wǎng)絡(luò)(例如大腦)的結(jié)構(gòu)和功能的計
算模型
是一種非線性統(tǒng)計性數(shù)據(jù)建模工具,對輸入和輸出間復(fù)
雜的關(guān)系進行建模
一組簡單可以訓(xùn)練的數(shù)學(xué)單元集合,共同學(xué)習(xí)復(fù)雜的功
能深度學(xué)習(xí) - 訓(xùn)練深度學(xué)習(xí) - 部署深度學(xué)習(xí) - 數(shù)據(jù)表現(xiàn)
表現(xiàn)層次
圖片– 像素、主題、部分、輪廓、邊緣等等
視頻– 圖像幀、每幀的像素、每一幀的deltas 值等等
文本– 字符、詞、從句、句子等等
語音– 音頻、頻段、波長、調(diào)制等等...深度學(xué)習(xí)的優(yōu)勢
特性自動推導(dǎo)和預(yù)期結(jié)果的優(yōu)化調(diào)整
可變的自動學(xué)習(xí)的健壯性
重用性-相同的神經(jīng)網(wǎng)絡(luò)的方法可用于許多應(yīng)用和數(shù)據(jù)
類型
通過利用GPU的大規(guī)模并行計算-可擴展的大容量數(shù)據(jù)深度學(xué)習(xí)的開發(fā)框架
Torch (NYU,2002), Facebook AI, Google Deepmind
Theano (University of Montreal, ~2010), 學(xué)院派
Kersa, “Deep Learning library for Theano and TensorFlow”
Ca?e (Berkeley),卷積神經(jīng)網(wǎng)絡(luò),賈揚清
TensorFlow (Google)
Spark MLLib深度學(xué)習(xí)中的開發(fā)框架框架THEANO
學(xué)院派血統(tǒng),Montreal University
非常靈活,非常復(fù)雜
通過底層借口可以做到大量的定制
衍生了大量的豐富的項目Keras, PyLearn2, Lasagne...
Pythonic API, 非常好的文檔THEANO 實踐THEANO 實踐THEANO 中的卷積極神經(jīng)網(wǎng)絡(luò)為什么是 PYTHON ?
最好的膠水代碼用于研究、快速開發(fā)
iPython, 數(shù)據(jù)可視化
豐富的框架資源Theano, Kersa, TensorFlow
海量的社區(qū)、開源的支持為什么需要 GPU?為什么需要 GPU?
CPU - 指令并行執(zhí)行,數(shù)據(jù)并行運算
GPU - 矩陣類型的數(shù)值計算,尤其浮點運算建立自己的深度學(xué)習(xí)的應(yīng)用環(huán)境
適用于 深度學(xué)習(xí)的 AWS G2實例 –
4個NVIDIA GRID GPUs, 每1個包括了 1,536 CUDA cores 以
及 4 GB of video
32 vCPUs
60 GB內(nèi)存
240 GB (2 x 120) of SSD 存儲深度學(xué)習(xí)的應(yīng)用環(huán)境深度學(xué)習(xí)的應(yīng)用環(huán)境 - 安裝和配置
s u d o y u m u p d a t
s u d o y u m i n s t a l l g i t p y t h o n - n o s e g c c g c c - g f o r t r a n
g c c - c + + b l a s - d e v e l l a p a c k - d e v e l a t l a s - d e v e l
p y t h o n 3 4 - d e v e l p y t h o n 3 . 4 l a p a c k 6 4 - d e v e l p y t h o n 3 4 - p i p
p y t h o n 3 4 - v i r t u a l e n v
p i p - 3 . 4 i n s t a l l T h e a n o n u m p y s c i p y n o s e k e r a s p y c u d a深度學(xué)習(xí)的應(yīng)用環(huán)境- 檢查GPU深度學(xué)習(xí)的應(yīng)用環(huán)境- THEANO
~.theanorc
深度學(xué)習(xí)的應(yīng)用環(huán)境- THEANO深度學(xué)習(xí)的應(yīng)用環(huán)境- THEANO
我的第一個Theano 程序
深度學(xué)習(xí)的應(yīng)用環(huán)境- THEANO深度學(xué)習(xí)的應(yīng)用環(huán)境- THEANO
我的第一個Theano 程序深度學(xué)習(xí)的應(yīng)用環(huán)境- THEANO
GPU vs. CPUTENSORFLOW 的新進展
分布式的深度學(xué)習(xí)框架TENSORFLOW 的新進展
分布式的深度學(xué)習(xí)框架工程化思維 VS. 科學(xué)化思維THINK GREAT
THOUGHTS AND YOU
WILL BE GREAT.
心懷偉大,你將會變得偉大!謝謝! ......
-用 PYTHON 開發(fā)你的智能應(yīng)用
, 費良宏 lianghon@amazon.com AWS Technical Evangelist
21 April 2016關(guān)于我
工作:Amazon Web Services Evangelist
7 年 Windows Internet Cloud @
3 年 iOS Mobile App @
1.5 年 Cloud Computing @
技術(shù)關(guān)注:
云計算:架構(gòu)、大數(shù)據(jù)、計算優(yōu)化
機器學(xué)習(xí):深度學(xué)習(xí)、自然語言處理
語言:Python、Go、Scala、Lua
Web:爬蟲
2016的目標(biāo):Web爬蟲+深度學(xué)習(xí)+自然語言處理 = ?
Microso?
Apple
AWS今年最激動人心的事件?
2016.1.28 “Mastering the game of Go with deep neural networks and tree search”今年最激動人心的事件?
2016年3月Alphago 4:1 擊敗李世石九段人工智能 VS. 機器學(xué)習(xí) VS. 深度學(xué)習(xí)人工智能發(fā)展的歷史四大宗師
Yann Lecun, Geo? Hinton, Yoshua Bengio, Andrew Ng機器學(xué)習(xí)
機器學(xué)習(xí)是一門人工智能的科學(xué)。機器學(xué)習(xí)算法是一類從
數(shù)據(jù)中自動分析獲得規(guī)律,并利用規(guī)律對未知數(shù)據(jù)進行預(yù)
測的算法機器學(xué)習(xí)
計算機能夠分辨出來他她是誰嗎?機器學(xué)習(xí)機器學(xué)習(xí)
基于過去的事實和數(shù)據(jù),用來發(fā)現(xiàn)趨勢和模式
機器學(xué)習(xí)模型提供了對于結(jié)果的洞察力,機器學(xué)習(xí)幫助
揭示未來的一個結(jié)果的概 率而不僅僅是過去發(fā)生的事情
歷史的數(shù)據(jù)和統(tǒng)計建模被用于概率進行預(yù)測
傳統(tǒng)的數(shù)據(jù)分析旨在回答關(guān)于過去的事實,機器學(xué)習(xí)的目
的是回答關(guān)于未來事件的可能性的問題!機器學(xué)習(xí)的應(yīng)用場景
個性化 – 提供個性化的電子商務(wù)體驗
文檔聚類 – 按照文檔上下文自動分類
欺詐檢測 – 發(fā)現(xiàn)異常的規(guī)律行為,識別和標(biāo)記欺詐交易
推薦引擎
客戶流失預(yù)測...機器學(xué)習(xí)-學(xué)習(xí)方式
監(jiān)督學(xué)習(xí)- 人工干預(yù)和驗證的要求,算法:Logistic Regression,Back Propagation Neural
Network 等。例如:照片分類和標(biāo)簽
無監(jiān)督學(xué)習(xí)- 無人工干預(yù)的要求, 算法: Apriori算法以及k-Means。例如:對于文檔的基于上下
文的自動分類
半監(jiān)督學(xué)習(xí) - 介于監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)之間,算法: Graph Inference 或者Laplacian SVM
強化學(xué)習(xí)- 通過觀察來學(xué)習(xí)做成如何的動作, 算法:Q-Learning以及時間差學(xué)習(xí)機器學(xué)習(xí)- 方法及流程
輸入特征選擇 – 基于什么進行預(yù)測
目標(biāo) – 預(yù)測什么
預(yù)測功能 – 回歸、聚類、降維...
Xn -> F(xn) -> T(x)機器學(xué)習(xí)- 舉例機器學(xué)習(xí)- 舉例
如何讓機器分辨出來他她是誰 ?
圖像分析 –
輸入特征選擇 ->面部特征、發(fā)型、裙子、身高、手勢…機器學(xué)習(xí)- 何時使用
你不需要機器學(xué)習(xí),如果 -
使用簡單的規(guī)則和計算,你可以預(yù)測答案
你能夠預(yù)先了解到所需要的步驟不需要任何數(shù)據(jù)驅(qū)動的
學(xué)習(xí)
你需要機器學(xué)習(xí),如果 -
簡單的聚類規(guī)則是不充分的
面對大量的數(shù)據(jù)集的可伸縮性的問題機器學(xué)習(xí) - 總結(jié)
由已知答案的數(shù)據(jù)開始
明確目標(biāo) – 從數(shù)據(jù)中希望可以預(yù)測什么
選擇可以被用來預(yù)測目標(biāo)的模式所需要的變量特性
使用已知目標(biāo)答案的數(shù)據(jù)訓(xùn)練機器學(xué)習(xí)模型
對于未知答案的數(shù)據(jù),使用訓(xùn)練過的模型預(yù)測目標(biāo)
評估模型的準(zhǔn)確性
提高模型精度什么是深度學(xué)習(xí)?
深度學(xué)習(xí)是機器學(xué)習(xí)的一個分支,是一組在多個層次上
學(xué)習(xí)的算法,分別對應(yīng)不同級別的抽象深度學(xué)習(xí) VS. 機器學(xué)習(xí)
ML 的算法包括監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)
適用非線性處理單元的多層次的特征提取和轉(zhuǎn)換
基于對多個層的特征或者表象的學(xué)習(xí),形成一個由低級
到高級的層次結(jié)構(gòu)特征
傳統(tǒng)的機器學(xué)習(xí)關(guān)注于特征工程,深度學(xué)習(xí)關(guān)注于端到
端的基于原始數(shù)據(jù)的學(xué)習(xí)為什么需要深度學(xué)習(xí)?深度學(xué)習(xí)- 舉例深度學(xué)習(xí) - 神經(jīng)網(wǎng)絡(luò)
是一種模仿生物神經(jīng)網(wǎng)絡(luò)(例如大腦)的結(jié)構(gòu)和功能的計
算模型
是一種非線性統(tǒng)計性數(shù)據(jù)建模工具,對輸入和輸出間復(fù)
雜的關(guān)系進行建模
一組簡單可以訓(xùn)練的數(shù)學(xué)單元集合,共同學(xué)習(xí)復(fù)雜的功
能深度學(xué)習(xí) - 訓(xùn)練深度學(xué)習(xí) - 部署深度學(xué)習(xí) - 數(shù)據(jù)表現(xiàn)
表現(xiàn)層次
圖片– 像素、主題、部分、輪廓、邊緣等等
視頻– 圖像幀、每幀的像素、每一幀的deltas 值等等
文本– 字符、詞、從句、句子等等
語音– 音頻、頻段、波長、調(diào)制等等...深度學(xué)習(xí)的優(yōu)勢
特性自動推導(dǎo)和預(yù)期結(jié)果的優(yōu)化調(diào)整
可變的自動學(xué)習(xí)的健壯性
重用性-相同的神經(jīng)網(wǎng)絡(luò)的方法可用于許多應(yīng)用和數(shù)據(jù)
類型
通過利用GPU的大規(guī)模并行計算-可擴展的大容量數(shù)據(jù)深度學(xué)習(xí)的開發(fā)框架
Torch (NYU,2002), Facebook AI, Google Deepmind
Theano (University of Montreal, ~2010), 學(xué)院派
Kersa, “Deep Learning library for Theano and TensorFlow”
Ca?e (Berkeley),卷積神經(jīng)網(wǎng)絡(luò),賈揚清
TensorFlow (Google)
Spark MLLib深度學(xué)習(xí)中的開發(fā)框架框架THEANO
學(xué)院派血統(tǒng),Montreal University
非常靈活,非常復(fù)雜
通過底層借口可以做到大量的定制
衍生了大量的豐富的項目Keras, PyLearn2, Lasagne...
Pythonic API, 非常好的文檔THEANO 實踐THEANO 實踐THEANO 中的卷積極神經(jīng)網(wǎng)絡(luò)為什么是 PYTHON ?
最好的膠水代碼用于研究、快速開發(fā)
iPython, 數(shù)據(jù)可視化
豐富的框架資源Theano, Kersa, TensorFlow
海量的社區(qū)、開源的支持為什么需要 GPU?為什么需要 GPU?
CPU - 指令并行執(zhí)行,數(shù)據(jù)并行運算
GPU - 矩陣類型的數(shù)值計算,尤其浮點運算建立自己的深度學(xué)習(xí)的應(yīng)用環(huán)境
適用于 深度學(xué)習(xí)的 AWS G2實例 –
4個NVIDIA GRID GPUs, 每1個包括了 1,536 CUDA cores 以
及 4 GB of video
32 vCPUs
60 GB內(nèi)存
240 GB (2 x 120) of SSD 存儲深度學(xué)習(xí)的應(yīng)用環(huán)境深度學(xué)習(xí)的應(yīng)用環(huán)境 - 安裝和配置
s u d o y u m u p d a t
s u d o y u m i n s t a l l g i t p y t h o n - n o s e g c c g c c - g f o r t r a n
g c c - c + + b l a s - d e v e l l a p a c k - d e v e l a t l a s - d e v e l
p y t h o n 3 4 - d e v e l p y t h o n 3 . 4 l a p a c k 6 4 - d e v e l p y t h o n 3 4 - p i p
p y t h o n 3 4 - v i r t u a l e n v
p i p - 3 . 4 i n s t a l l T h e a n o n u m p y s c i p y n o s e k e r a s p y c u d a深度學(xué)習(xí)的應(yīng)用環(huán)境- 檢查GPU深度學(xué)習(xí)的應(yīng)用環(huán)境- THEANO
~.theanorc
深度學(xué)習(xí)的應(yīng)用環(huán)境- THEANO深度學(xué)習(xí)的應(yīng)用環(huán)境- THEANO
我的第一個Theano 程序
深度學(xué)習(xí)的應(yīng)用環(huán)境- THEANO深度學(xué)習(xí)的應(yīng)用環(huán)境- THEANO
我的第一個Theano 程序深度學(xué)習(xí)的應(yīng)用環(huán)境- THEANO
GPU vs. CPUTENSORFLOW 的新進展
分布式的深度學(xué)習(xí)框架TENSORFLOW 的新進展
分布式的深度學(xué)習(xí)框架工程化思維 VS. 科學(xué)化思維THINK GREAT
THOUGHTS AND YOU
WILL BE GREAT.
心懷偉大,你將會變得偉大!謝謝! ......
您現(xiàn)在查看是摘要介紹頁, 詳見PDF附件(9273KB,49頁)。
習(xí)--用_PYTHON_開發(fā)你的智能應(yīng)用_1.jpg)
習(xí)--用_PYTHON_開發(fā)你的智能應(yīng)用_2.jpg)
習(xí)--用_PYTHON_開發(fā)你的智能應(yīng)用_3.jpg)
習(xí)--用_PYTHON_開發(fā)你的智能應(yīng)用_4.jpg)
習(xí)--用_PYTHON_開發(fā)你的智能應(yīng)用_5.jpg)