深度學習模型
http://blog.itpub.net/31559985/viewspace-2218993/
官方模型
mnist:對來自MNIST資料集的數字進行分類的基本模型。最開始設計出來的目的是用於識別數字,同時也是深度學習的一個樣例。
resnet:一個深度殘差網路,可用於CIFAR-10和ImageNet的1000個類別的資料集進行分類。由於深度學習模型的練習次數達到某一個值時識別準確率以及識別效能會下降,因而開發出了可以提高學習深度的網路。
wide_deep:將廣泛的模型和深度網路相結合的模型,用於對人口普查收入資料進行分類。經過學習後,神經網路可以透過其中幾個資料的值推斷出其他資料的值。
研究模型(非官方模型,個人使用)
adversarial_crypto:保護與對抗式神經密碼學的通訊。
adversarial_text:具有對抗訓練的半監督序列學習。
attention_ocr:影像識別文字提取模型(用於高干擾的現實場景)。
autoencoder:各種自動編碼器。
brain_coder:帶強化學習的程式綜合器。
cognitive_mapping_and_planning:為視覺導航實現基於空間記憶的對映和規劃體系結構。
compression:使用預先訓練的剩餘GRU網路壓縮和解壓縮影像。
deeplab:用於語義影像分割的深度標籤。
delf:用於匹配和檢索影像的深層區域性特徵。
differential_privacy:來自多位教師的學生隱私保護模型。
domain_adaptation:域分離網路。
gan:生成對抗式網路。
im2txt:用於轉換影像字幕為文字的神經網路。
inception:用於計算機視覺的深度卷積網路。
learning_to_remember_rare_events:用於深度學習的大型終身記憶模組。
lfads:用於分析神經科學資料的順序變分自動編碼器。
lm_1b:以十億單詞為基準測試的語言建模。
maskgan:用GAN生成文字。
namignizer:識別並生成名稱。
neural_gpu:高度並行的神經計算機。
neural_programmer:用邏輯和數學運算增強的神經網路。
next_frame_prediction:透過交叉卷積網路進行機率性的下一幀合成。
object_detection:定位和識別單個影像中的多個物件。
pcl_rl:用於幾種強化學習演算法的程式碼,包括路徑一致性學習。
ptn:用於三維物體重建的透視變換網。
qa_kg:模組網路,用於在知識圖上進行問題解答。
real_nvp:使用實值非容量保留(真實NVP)變換的密度估計。
rebar:離散潛變數模型的低方差,無偏差梯度估計。
resnet:深層和廣泛的殘餘網路。
skip_thoughts:遞迴神經網路句 – 向量編碼器。
slim:TF-Slim中的影像分類模型。
street:使用深度學習從影像中識別街道的名稱(僅限於法國)。
swivel:用於生成複合詞的Swivel演算法。
syntaxnet:自然語言語法的神經模型。
tcn:從多視點影片學習的自我監督表示。
textsum:序列到序列與文字摘要的關注模型。
transformer:空間轉譯網路,可以對網路內的資料進行空間處理。
video_prediction:用神經平流預測未來的影片幀(類似於next_frame_prediction)。
關於其中的幾個專案:
Mnist實際上是一個簡單的視覺計算資料集,目的大概就是為用機器學習練習對資料進行處理。它本身可能沒有非常有用的一個應用,只是學習機器學習的‘陪練’。Mnist主要用來訓練影像識別相關的機器學習模組
這裡有一個很有名也很有趣的mnist資料集fashion-mnist,由60,000個示例的訓練集和10,000個示例的測試集組成。每個示例都是28×28灰度影像,與10個類別的標籤相關聯。(T恤/上衣,褲子,套頭衫,連衣裙,大衣,涼鞋,襯衫,運動鞋,包,腳踝靴),作者製作這個資料集的本意是用作驗證mnist演算法的基準。
wide_deep給的則是用人口普查收入資料預測收入,正如其名字所說的,這是一個深寬模型。也基本是用來驗證tensorflow對深寬模型處理的應用。
此外,介紹兩個難度較低的tensorflow的專案:
驗證碼識別:
http://blog.csdn.net/sushiqian/article/details/78305340
驗證碼識別的原理與對mnist手寫數字資料集的處理有異曲同工之妙,也是新手練習的選擇之一
五子棋:
這個五子棋專案模仿alphago做成的專案,十分有趣,對alphago有興趣的可以瞭解下
來自 “ ITPUB部落格 ” ,連結:http://blog.itpub.net/29829936/viewspace-2284453/,如需轉載,請註明出處,否則將追究法律責任。
相關文章
- 深度學習的Attention模型深度學習模型
- Docker部署深度學習模型Docker深度學習模型
- 深度學習中的Normalization模型深度學習ORM模型
- 深度學習模型調參總結深度學習模型
- 深度學習模型壓縮方法概述深度學習模型
- 深度學習模型設計經驗分享深度學習模型
- 深度學習的seq2seq模型深度學習模型
- 深度學習模型可解釋性初探深度學習模型
- 深度學習之卷積模型應用深度學習卷積模型
- 深度學習利器:TensorFlow與NLP模型深度學習模型
- 深度學習(模型引數直方圖)深度學習模型直方圖
- 深度學習模型調優方法(Deep Learning學習記錄)深度學習模型
- 人工智慧-深度學習-生成模型:GAN經典模型-->InfoGAN人工智慧深度學習模型
- 人工智慧-深度學習-生成模型:GAN經典模型-->VAEGAN人工智慧深度學習模型
- 52 個深度學習目標檢測模型深度學習模型
- 深度學習 CNN 和 RNN 等模型簡介深度學習CNNRNN模型
- 「深度學習系列」CNN模型的視覺化深度學習CNN模型視覺化
- 深度學習網路模型的輕量化方法深度學習模型
- NLP與深度學習(六)BERT模型的使用深度學習模型
- 深度學習(一)深度學習學習資料深度學習
- 深度學習中的Normalization模型(附例項&公式)深度學習ORM模型公式
- [譯]深度學習模型的簡單優化技巧深度學習模型優化
- 4步助你找到正確的深度學習模型!深度學習模型
- 初創公司如何訓練大型深度學習模型深度學習模型
- NLP與深度學習(五)BERT預訓練模型深度學習模型
- 深度學習+深度強化學習+遷移學習【研修】深度學習強化學習遷移學習
- 深度學習及深度強化學習研修深度學習強化學習
- 深度學習學習框架深度學習框架
- 網易易盾深度學習模型工程化實踐深度學習模型
- 基於Keras和Gunicorn+Flask部署深度學習模型KerasFlask深度學習模型
- 影像Resize方式對深度學習模型效果的影響深度學習模型
- 三大深度學習生成模型:VAE、GAN及其變種深度學習模型
- 讀懂本文讓你和深度學習模型“官宣”深度學習模型
- Deep Crossing模型——經典的深度學習架構ROS模型深度學習架構
- 美團“猜你喜歡”深度學習排序模型實踐深度學習排序模型
- 神經網路:提升深度學習模型的表現神經網路深度學習模型
- 深度學習深度學習
- ####深度學習深度學習