آموزش مدل سازی زبان با شبکه های عصبی راجعه در TensorFlow

Language Modeling with Recurrent Neural Networks in TensorFlow

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: اگر با استفاده از شبکه های عصبی با داده های متنی کار می کنید ، RNN یک انتخاب طبیعی برای توالی ها است. این دوره از طریق مشکلات مدل سازی زبان با استفاده از RNNS - شناسایی کاراکتر نوری یا OCR و تولید متن با استفاده از پیش بینی شخصیت کار می کند. عملکرد شبکه های عصبی تکرار شونده (RNN) و توانایی پیش بینی را می توان با استفاده از سلول های حافظه طولانی مانند LSTM و سلول GRU بهبود بخشید. در این دوره ، مدل سازی زبان با شبکه های عصبی مکرر در Tensorflow ، خواهید آموخت که چگونه RNN ها به دلیل توانایی ذاتی در ذخیره سازی حالت ، یک مدل طبیعی برای مدل سازی زبان هستند. با استفاده از سلولهای حافظه طولانی مانند LSTM و سلول GRU می توان عملکرد RNN و توانایی های پیش بینی را بهبود بخشید. ابتدا یاد خواهید گرفت که چگونه OCR را به عنوان یک مشکل برچسب گذاری توالی مدل کنید. در مرحله بعدی ، شما کشف خواهید کرد که چگونه می توانید RNN را برای پیش بینی شخصیت بعدی براساس توالی های گذشته معماری کنید. سرانجام ، شما بر درک عملکردهای پیشرفته ای که کتابخانه TensorFlow ارائه می دهد ، مانند RNN های دو جهته و سلول چند RNN تمرکز خواهید کرد. با پایان این دوره ، شما می دانید که چگونه RNN ها را برای موارد استفاده مانند شناسایی تصویر ، پیش بینی شخصیت و تولید متن استفاده و معمار کنید. و استفاده از کتابخانه های TensorFlow برای قابلیت های پیشرفته مانند RNN دو طرفه و سلول چند RNN راحت خواهید بود.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

استفاده از شبکه های عصبی دو طرفه تکرار شونده در تشخیص کلمه Applying Bidirectional Recurrent Neural Networks to Word Recognition

  • بررسی اجمالی ماژول Module Overview

  • پیش نیازها و طرح کلی دوره Prerequisites and Course Outline

  • نورون عود کننده The Recurrent Neuron

  • آموزش شبکه عصبی مکرر Training a Recurrent Neural Network

  • سلول حافظه طولانی The Long Memory Cell

  • RNN های دو طرفه Bidirectional RNNs

  • OCR: یک مشکل برچسب گذاری توالی OCR: A Sequence Labelling Problem

  • قالب فایل OCR OCR File Format

  • ویژگی ها و برچسب ها برای OCR Features and Labels for OCR

  • معماری معمولی RNN Conventional RNN Architecture

  • معماری دو طرفه RNN Bidirectional RNN Architecture

اجرای شناسایی شخصیت با استفاده از RNN های دو جهته Implementing Character Recognition Using Bidirectional RNNs

  • بررسی اجمالی ماژول Module Overview

  • اجرای نوت بوک Jupyter و بیانیه های واردات Running Jupyter Notebook and Import Statements

  • بارگیری و تجزیه فایل OCR Download and Parse OCR File

  • ویژگی ها و برچسب ها Features and Labels

  • تغییر داده و اطلاعات در آموزش Shuffle and Feed in Training Data

  • محاسبات طول توالی Sequence Length Calculations

  • ساخت RNN Building the RNN

  • آموزش و ارزیابی RNN Training and Evaluating the RNN

  • RNN دو طرفه را به صورت دستی تنظیم کنید Manually Setup the Bidirectional RNN

  • RNN دو طرفه با استفاده از کتابخانه TF Bidirectional RNN Using the TF Library

استفاده از RNN برای پیش بینی کاراکتر برای تولید متن Applying RNNs to Character Prediction for Text Generation

  • بررسی اجمالی ماژول Module Overview

  • استفاده از شبکه های عصبی برای پردازش زبان طبیعی Using Neural Networks for Natural Language Processing

  • مشکلات مدل سازی زبان Language Modeling Problems

  • سلول چند RNN The Multi-RNN Cell

  • با استفاده از یک پنجره کشویی ، داده ها و برچسب های آموزشی را ایجاد کنید Generate Training Data and Labels Using a Sliding Window

  • تولید متن با استفاده از پیش بینی شخصیت Text Generation Using Character Prediction

  • معماری RNN برای پیش بینی متن RNN Architecture for Text Prediction

  • درک گیجی Understanding Perplexity

پیاده سازی RNN ها برای پیش بینی شخصیت که برای تولید متن استفاده می شود Implementing RNNs for Character Prediction Used to Generate Text

  • بررسی اجمالی ماژول Module Overview

  • پیش بینی شخصیت: داده ها را از ArXiv.org بازیابی کنید Character Prediction: Retrieve Data from ArXiv.org

  • نمایش شخصیت ها در یک رمزگذاری داغ Representing Characters in One Hot Encoding

  • آموزش مدل Training the Model

  • RNN را برای پیش بینی بسازید Build the RNN for Prediction

  • تولید متن با استفاده از پیش بینی شخصیت Text Generation Using Character Prediction

  • خلاصه و مطالعه بیشتر Summary and Further Reading

نمایش نظرات

نظری ارسال نشده است.

آموزش مدل سازی زبان با شبکه های عصبی راجعه در TensorFlow
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
2h 35m
37
Pluralsight (پلورال سایت) pluralsight-small
10 فروردین 1397 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
18
4.8 از 5
دارد
دارد
دارد
Janani Ravi

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

Janani Ravi یک معمار و مهندس داده خبره Google cloud است.

جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.

Pluralsight (پلورال سایت)

Pluralsight یکی از پرطرفدارترین پلتفرم‌های آموزش آنلاین است که به میلیون‌ها کاربر در سراسر جهان کمک می‌کند تا مهارت‌های خود را توسعه دهند و به روز رسانی کنند. این پلتفرم دوره‌های آموزشی در زمینه‌های فناوری اطلاعات، توسعه نرم‌افزار، طراحی وب، مدیریت پروژه، و موضوعات مختلف دیگر را ارائه می‌دهد.

یکی از ویژگی‌های برجسته Pluralsight، محتوای بروز و با کیفیت آموزشی آن است. این پلتفرم با همکاری با توسعه‌دهندگان و کارشناسان معتبر، دوره‌هایی را ارائه می‌دهد که با توجه به تغییرات روزافزون در صنعت فناوری، کاربران را در جریان آخرین مفاهیم و تکنولوژی‌ها نگه می‌دارد. این امر به کاربران این اطمینان را می‌دهد که دوره‌هایی که در Pluralsight می‌پذیرند، با جدیدترین دانش‌ها و تجارب به روز شده‌اند.