На этом шаге мы обобщим изученный материал.
Подведем некоторый итог изученному материалу.
- TensorFlow - мощный фреймворк для числовых вычислений, который может работать на CPU, GPU или TPU. Он способен автоматически вычислять градиент любого дифференцируемого
выражения, распределять работу среди множества устройств и экспортировать программы в различные внешние среды выполнения - даже в JavaScript.
- Keras - стандартная библиотека, используемая для глубокого обучения с помощью TensorFlow. Именно ее мы будем применять в этих шагах.
- К ключевым компонентам TensorFlow относятся тензоры, переменные, тензорные операции и объект GradientTape.
- Центральный класс в библиотеке Keras - Layer (представляющий слой). Слой инкапсулирует веса и вычисления. Из слоев конструируются модели.
- Прежде чем начать обучение модели, нужно выбрать оптимизатор, функцию потерь и метрики и передать их методу model.compile().
- Для обучения модели можно использовать метод fit(), который производит обучение методом градиентного спуска на мини-пакетах. Он также будет полезен для оценки величины потерь и метрик на
проверочных данных - выборке из исходных данных, которая не участвует в процессе обучения модели.
- После обучения модель можно использовать для вычисления прогнозов, вызывая ее метод model.predict() с новыми входными данными.
Со следующего шага мы начнем работу с нейронными сетями на примере классификации и регрессии.
