Deep Learning illustriert. Jon Krohn
über Memory Replay
13.3.6Speichern und Laden der Modellparameter
13.4Mit einer OpenAI-Gym-Umgebung interagieren
13.4.1Hyperparameter-Optimierung mit SLM Lab
13.5.1Policy-Gradienten und der REINFORCE-Algorithmus
13.5.2Der Actor-Critic-Algorithmus
Schlüsselkonzepte
14Mit Ihren eigenen Deep-Learning-Projekten beginnen
14.1Ideen für Deep-Learning-Projekte
14.1.2Natural Language Processing
14.1.3Deep Reinforcement Learning
14.1.4Ein vorhandenes Machine-Learning-Projekt überführen
14.2Ressourcen für weitere Projekte
14.2.1Gesellschaftlich nützliche Projekte
14.3Der Modellierungsprozess einschließlich der Anpassung der Hyperparameter
14.3.1Automatisierung der Hyperparameter-Suche
14.4Deep-Learning-Bibliotheken
14.4.2PyTorch
14.4.3MXNet, CNTK, Caffe und so weiter
14.5Software 2.0
14.6Die kommende Artificial General Intelligence
ADie formale Notation neuronaler Netze
C.1.2Das Define-by-Run-Framework
C.1.3PyTorch im Vergleich mit TensorFlow
C.2.2Die grundlegenden Bausteine in PyTorch
C.2.3Ein tiefes neuronales Netz in PyTorch bauen
Teil I
Deep Learning vorgestellt
1Biologisches und maschinelles Sehen
2Menschen- und Maschinensprache
1Biologisches und maschinelles Sehen
In diesem Kapitel und auch im Laufe dieses Buches dient uns das visuelle System biologischer Organismen als Analogie, um das Deep Learning »zum Leben zu erwecken«. Diese Analogie vermittelt nicht nur ein tiefgreifendes Verständnis für das, was Deep Learning ausmacht, sondern verdeutlicht auch, weshalb Deep-Learning-Ansätze so machtvoll und so überaus vielfältig einsetzbar sind.
1.1Das biologische Sehen
Vor 550 Millionen Jahren, in der prähistorischen Periode des Kambrium, stieg die Anzahl der Arten auf unserem Planeten schlagartig an (