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