โครงข่ายประสาทเทียม
บทความหน้านี้เป็นเรื่องการเขียนโปรแกรมโครงข่ายประสาทเทียมเครื่องด้วยภาษาไพธอน
บทนำ: ทำความรู้จักกับโครงข่ายประสาทเทียมและการเรียนรู้เชิงลึก
โครงข่ายประสาทเทียมเบื้องต้น
一 บทที่ ๑: เพอร์เซปตรอนชั้นเดียว
二 บทที่ ๒: การเรียนรู้ของเพอร์เซปตรอนอย่างง่าย
三 บทที่ ๓: ฟังก์ชันกระตุ้นและการเคลื่อนลงตามความชัน
四 บทที่ ๔: อนุพันธ์และกฎลูกโซ่ของอาเรย์
五 บทที่ ๕: กราฟคำนวณและการแพร่ย้อนกลับ
六 บทที่ ๖: การวิเคราะห์จำแนกประเภทหลายกลุ่ม
七 บทที่ ๗: เพอร์เซปตรอนหลายชั้น
八 บทที่ ๘: การเรียนรู้ของเพอร์เซปตรอนหลายชั้น
九 บทที่ ๙: การสร้างชั้นคำนวณไปข้างหน้าและแพร่ย้อนกลับ
十 บทที่ ๑๐: การประกอบโครงข่ายขึ้นจากชั้นต่างๆ
十一 บทที่ ๑๑: การสร้างโครงข่ายโดยการนิยามขณะวิ่ง
十二 บทที่ ๑๒: ออปทิไมเซอร์
十三 บทที่ ๑๓: การกำหนดค่าพารามิเตอร์ตั้งต้น
十四 บทที่ ๑๔: การวิเคราะห์การถดถอย
十五 บทที่ ๑๕: มินิแบตช์
十六 บทที่ ๑๖: การแบ่งข้อมูลฝึกและข้อมูลตรวจสอบ
十七 บทที่ ๑๗: การป้องกันการเรียนรู้เกินด้วยดรอปเอาต์
十八 บทที่ ๑๘: การเร่งการเรียนรู้ด้วยแบตช์นอร์ม
十九 บทที่ ๑๙: ฟังก์ชันกระตุ้นแบบต่างๆ
二十 บทที่ ๒๐: โครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN)
二 บทที่ ๒: การเรียนรู้ของเพอร์เซปตรอนอย่างง่าย
三 บทที่ ๓: ฟังก์ชันกระตุ้นและการเคลื่อนลงตามความชัน
四 บทที่ ๔: อนุพันธ์และกฎลูกโซ่ของอาเรย์
五 บทที่ ๕: กราฟคำนวณและการแพร่ย้อนกลับ
六 บทที่ ๖: การวิเคราะห์จำแนกประเภทหลายกลุ่ม
七 บทที่ ๗: เพอร์เซปตรอนหลายชั้น
八 บทที่ ๘: การเรียนรู้ของเพอร์เซปตรอนหลายชั้น
九 บทที่ ๙: การสร้างชั้นคำนวณไปข้างหน้าและแพร่ย้อนกลับ
十 บทที่ ๑๐: การประกอบโครงข่ายขึ้นจากชั้นต่างๆ
十一 บทที่ ๑๑: การสร้างโครงข่ายโดยการนิยามขณะวิ่ง
十二 บทที่ ๑๒: ออปทิไมเซอร์
十三 บทที่ ๑๓: การกำหนดค่าพารามิเตอร์ตั้งต้น
十四 บทที่ ๑๔: การวิเคราะห์การถดถอย
十五 บทที่ ๑๕: มินิแบตช์
十六 บทที่ ๑๖: การแบ่งข้อมูลฝึกและข้อมูลตรวจสอบ
十七 บทที่ ๑๗: การป้องกันการเรียนรู้เกินด้วยดรอปเอาต์
十八 บทที่ ๑๘: การเร่งการเรียนรู้ด้วยแบตช์นอร์ม
十九 บทที่ ๑๙: ฟังก์ชันกระตุ้นแบบต่างๆ
二十 บทที่ ๒๐: โครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN)
สำหรับเนื้อหา pytorch ดูได้ที่
>> สารบัญ pytorch
แหล่งข้อมูลอ้างอิง ซ่อน
หนังสือ
ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装
機械学習と深層学習 Pythonによるシミュレーション
詳解 ディープラーニング TensorFlow・Kerasによる時系列データ処理
Chainerによる実践深層学習
Chainerで作る コンテンツ自動生成AIプログラミング入門
PyTorchで学ぶニューラルネットワークと深層学習
深層学習 (機械学習プロフェッショナルシリーズ)
เว็บ
莫烦PYTHON
計算グラフの微積分：バックプロパゲーションを理解する
【Deep Learning】計算グラフによる誤差逆伝播法（Back propagation）の理解
1-file Chainerを作る
【機械学習】パラメータの重みの初期値
類神經網路 -- Backward Propagation 詳細推導過程
卷积神经网络Lenet-5实现
Keras
PyTorch
ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装
機械学習と深層学習 Pythonによるシミュレーション
詳解 ディープラーニング TensorFlow・Kerasによる時系列データ処理
Chainerによる実践深層学習
Chainerで作る コンテンツ自動生成AIプログラミング入門
PyTorchで学ぶニューラルネットワークと深層学習
深層学習 (機械学習プロフェッショナルシリーズ)
เว็บ
莫烦PYTHON
計算グラフの微積分：バックプロパゲーションを理解する
【Deep Learning】計算グラフによる誤差逆伝播法（Back propagation）の理解
1-file Chainerを作る
【機械学習】パラメータの重みの初期値
類神經網路 -- Backward Propagation 詳細推導過程
卷积神经网络Lenet-5实现
Keras
PyTorch