Wendydesigner

到目前为止，您在本章中看到的迁移学习的例子有一个共同点：机器学习任务的性质在转移之后保持不变。特别是，他们把一个在多类分类任务上训练过的计算机视觉模型应用到另一个多类分类任务上。在本节中，我们将展示原始模型可以用于非常不同的任务，例如，当您想要使用在分类任务上训练的基本模型来执…

从本质上讲，迁移学习是通过重用先前学习的结果来加速新的学习任务。它涉及到使用已经在数据集上训练过的模型来执行不同但相关的机器学习任务。已训练的模型称为基础模型。迁移学习包括重新训练基础模型，或者在基础模型的基础上创建一个新模型。我们把新模型称为转移模型。如图5.1中的示意图所示…

在上一节中，我们在浏览器中训练了一个convnet，它达到了99.0％的测试准确性。在本节中，我们将创建一个功能更强大的卷积网络，该卷积网络将为我们提供更高的测试准确性，约为99.5％。但是，提高准确性是要付出代价的：模型在训练和推理期间消耗了大量的内存和计算量。在训练过程中，…

深度学习革命始于诸如 ImageNet 竞赛之类的图像识别任务的突破。 从图像的识别到将图像分割，从对象定位到图像定位，再到图像合成，都存在关于图像的各种有用且在技术上有趣的问题。 机器学习的这个子领域有时称为计算机视觉[61]。 计算机视觉技术通常被移植到与视觉或图像无关的领…

可以看到函数 function(x){return x++} 是作为参数被传入 Array 的 map 方法中。map 是函数式编程最常见的标志性函数. 我们把一个多参的函数变成一次只能接受一个参数的函数的过程叫做柯里化。如： 纯函数是一种函数，它不改变程序的外部状态，也不会造…

在第 3.2 节中，我们探讨了如何构造二分类问题。现在，我们将快速讨论如何处理非二分类，即涉及三个或更多类的分类任务[58]。我们将说明多类分类的数据集的例子是鸢尾花数据集，这是一个著名的数据集，其起源于统计领域[59]。该数据集集中在鸢尾花的三种物种上，分别称为“iris s…

在本章中，将以第 2 章为基础，学习神经网络从特征到标签更复杂的映射。我们主要介绍的是非线性回归，即输入与输出之间的映射不是输入元素的简单加权和。非线性增强了神经网络表现能力，并且在正确使用时可以提高许多问题的预测精度。我们将继续使用波士顿住房数据集来说明这一点。此外，本章将深…

在第一个示例中，我们只有一个输入特征sizeMB ，以及一个可用来预测的目标timeSec 。更为常见的情况是具有多个输入特征，不确切哪些特征最具有预测性，哪些特征与目标之间的关系松散，仍需要同时使用它们并让算法对其进行分类。在本章中，我们将解决这个更复杂的问题。 波士顿房屋价…

没有人喜欢等待，当我们不知道要等多久的时候，等待特别烦人。任何用户体验设计师都会告诉你，如果你无法解决延迟，那么最好就是给用户一个可靠的等待估计时间。估计延迟时间是一个预测问题，TensorFlow.js库可以根据上下文和用户情况，构建准确下载时间的预测，使我们能够为用户提供更…