17.
Mạng đối thủ thế hệ
search
Quick search
code
Show Source
MXNet
PyTorch
Notebooks
Courses
GitHub
English
Table Of Contents
Lời nói đầu
Cài đặt
Ký hiệu
1. Giới thiệu
2. Sơ bộ
2.1. Thao tác dữ liệu
2.2. Xử lý sơ bộ dữ liệu
2.3. Đại số tuyến tính
2.4. Calculus (Giải tích)
2.5. Sự khác biệt tự động
2.6. Xác suất
2.7. Documentation
3. Mạng thần kinh tuyến tính
3.1. Hồi quy tuyến tính
3.2. Thực hiện hồi quy tuyến tính từ đầu
3.3. Thực hiện ngắn gọn của hồi quy tuyến tính
3.4. Hồi quy Softmax
3.5. Tập dữ liệu phân loại hình ảnh
3.6. Thực hiện hồi quy Softmax từ đầu
3.7. Thực hiện ngắn gọn về hồi quy Softmax
4. Multilayer Perceptrons
4.1. Multilayer Perceptrons
4.2. Thực hiện các Perceptrons đa lớp từ đầu
4.3. Thực hiện ngắn gọn của Multilayer Perceptrons
4.4. Lựa chọn mô hình, Underfitting, và Overfitting
4.5. Trọng lượng phân rã
4.6. Bỏ học
4.7. Chuyển tiếp tuyên truyền, tuyên truyền ngược, và đồ thị tính toán
4.8. Tính ổn định số và khởi tạo
4.9. Môi trường và phân phối Shift
4.10. Dự đoán giá nhà trên Kaggle
5. Tính toán học sâu
5.1. Lớp và khối
5.2. Quản lý tham số
5.3. Khởi tạo hoãn lại
5.4. Layers tùy chỉnh
5.5. Tệp I/O
5.6. GPU
6. Mạng thần kinh phức tạp
6.1. Từ các lớp được kết nối hoàn toàn đến sự phức tạp
6.2. Sự phức tạp cho hình ảnh
6.3. Đệm và sải chân
6.4. Nhiều kênh đầu vào và nhiều đầu ra
6.5. Pooling
6.6. Mạng thần kinh phức tạp (LeNet)
7. Mạng thần kinh phức tạp hiện đại
7.1. Mạng thần kinh phức tạp sâu (AlexNet)
7.2. Mạng sử dụng khối (VGG)
7.3. Mạng trong mạng (Nin)
7.4. Mạng có kết nối song song (GoogLeNet)
7.5. Chuẩn hóa hàng loạt
7.6. Mạng dư (ResNet)
7.7. Mạng kết nối mật độ (DenseNet)
8. Mạng nơ-ron tái phát
8.1. Mô hình trình tự
8.2. Xử lý sơ bộ văn bản
8.3. Mô hình ngôn ngữ và bộ dữ liệu
8.4. Mạng nơ-ron tái phát
8.5. Thực hiện các mạng nơ-ron tái phát từ đầu
8.6. Thực hiện ngắn gọn các mạng nơ-ron tái phát
8.7. Backpropagation qua thời gian
9. Mạng thần kinh tái phát hiện đại
9.1. Các đơn vị định kỳ cổng (GRU)
9.2. Bộ nhớ ngắn hạn dài (LSTM)
9.3. Mạng thần kinh tái phát sâu
9.4. Mạng nơ-ron định kỳ hai chiều
9.5. Dịch máy và bộ dữ liệu
9.6. Kiến trúc mã hóa-Decoder
9.7. Trình tự để học trình tự
9.8. Tìm kiếm chùm
10. Cơ chế chú ý
10.1. Chú ý tín hiệu
10.2. Chú ý Pooling: Hồi quy hạt nhân Nadaraya-Watson
10.3. Chức năng chấm điểm chú ý
10.4. Bahdanau Chú ý
10.5. Chú ý nhiều đầu
10.6. Tự ghi nhận và mã hóa vị trí
10.7. Máy biến áp
11. Thuật toán tối ưu hóa
11.1. Tối ưu hóa và học sâu
11.2. Độ lồi
11.3. Gradient Descent
11.4. Stochastic Gradient Descent
11.5. Minibatch Stochastic Gradient Descent
11.6. Đà
11.7. Adagrad
11.8. RMSProp
11.9. Adadelta
11.10. Ađam
11.11. Lập kế hoạch tỷ lệ học tập
12. Hiệu suất tính toán
12.1. Trình biên dịch và phiên dịch
12.2. Tính toán không đồng bộ
12.3. Song song tự động
12.4. Phần cứng
12.5. Đào tạo về nhiều GPU
12.6. Triển khai ngắn gọn cho nhiều GPU
12.7. Máy chủ tham số
13. Tầm nhìn máy tính
13.1. Hình ảnh Augmentation
13.2. Tinh chỉnh
13.3. Hộp phát hiện và giới hạn đối tượng
13.4. Hộp neo
13.5. Phát hiện đối tượng đa quy mô
13.6. Bộ dữ liệu phát hiện đối tượng
13.7. Phát hiện Multibox Shot đơn
13.8. CNN dựa trên khu vực (R-CNN)
13.9. Phân đoạn ngữ nghĩa và tập dữ liệu
13.10. Chuyển đổi Convolution
13.11. Mạng kết nối hoàn toàn
13.12. Chuyển kiểu thần kinh
13.13. Phân loại hình ảnh (CIFAR-10) trên Kaggle
13.14. Nhận dạng giống chó (Chó ImageNet) trên Kaggle
14. Chế biến ngôn ngữ tự nhiên: Pretraining
14.1. Từ nhúng (word2vec)
14.2. Đào tạo gần đúng
14.3. Các Dataset cho Pretraining Word Embeddings
14.4. Pretraining word2vec
14.5. Word Nhúng với Vectơ toàn cầu (Glove)
14.6. Subword Nhúng
14.7. Từ tương tự và tương tự
14.8. Đại diện bộ mã hóa hai chiều từ Transformers (BERT)
14.9. Tập dữ liệu cho Pretraining BERT
14.10. Pretraining BERT
15. Xử lý ngôn ngữ tự nhiên: Ứng dụng
15.1. Phân tích tình cảm và tập dữ liệu
15.2. Phân tích tình cảm: Sử dụng mạng nơ-ron tái phát
15.3. Phân tích tình cảm: Sử dụng mạng thần kinh phức tạp
15.4. Suy luận ngôn ngữ tự nhiên và tập dữ liệu
15.5. Suy luận ngôn ngữ tự nhiên: Sử dụng sự chú ý
15.6. Tinh chỉnh BERT cho các ứng dụng cấp Sequence-Level và Token-Level
15.7. Suy luận ngôn ngữ tự nhiên: Tinh chỉnh BERT
16. Hệ thống Recommender
16.1. Tổng quan về hệ thống Recommender
16.2. Bộ dữ liệu MovieLens
16.3. Matrận Factorization
16.4. AutoRec: Dự đoán xếp hạng với Autoencoders
16.5. Xếp hạng được cá nhân hóa cho hệ thống giới thiệu
16.6. Lọc hợp tác thần kinh để xếp hạng cá nhân hóa
16.7. Hệ thống khuyến cáo Sequence-Aware
16.8. Hệ thống giới thiệu giàu tính năng
16.9. Máy Factorization
16.10. Sâu Factorization Máy móc
17. Mạng đối thủ thế hệ
17.1. Mạng đối thủ thế hệ
17.2. Mạng đối thủ tạo phức tạp sâu
18. Phụ lục: Toán học cho Deep Learning
18.1. Hình học và các hoạt động đại số tuyến tính
18.2. Eigendecompositions
18.3. Tính toán biến đơn
18.4. Tính toán đa năng
18.5. Integral Calculus
18.6. Biến ngẫu nhiên
18.7. Khả năng tối đa
18.8. Bayes ngây thơ
18.9. Thống kê
18.10. Lý thuyết thông tin
19. Phụ lục: Các công cụ cho Deep Learning
19.1. Sử dụng Jupyter
19.2. Sử dụng Amazon SageMaker
19.3. Sử dụng phiên bản AWS EC2
19.4. Sử dụng Google Colab
19.5. Chọn máy chủ và GPU
19.6. Đóng góp cho cuốn sách này
19.7.
d2l
Tài liệu API
Tài liệu tham khảo
Table Of Contents
Lời nói đầu
Cài đặt
Ký hiệu
1. Giới thiệu
2. Sơ bộ
2.1. Thao tác dữ liệu
2.2. Xử lý sơ bộ dữ liệu
2.3. Đại số tuyến tính
2.4. Calculus (Giải tích)
2.5. Sự khác biệt tự động
2.6. Xác suất
2.7. Documentation
3. Mạng thần kinh tuyến tính
3.1. Hồi quy tuyến tính
3.2. Thực hiện hồi quy tuyến tính từ đầu
3.3. Thực hiện ngắn gọn của hồi quy tuyến tính
3.4. Hồi quy Softmax
3.5. Tập dữ liệu phân loại hình ảnh
3.6. Thực hiện hồi quy Softmax từ đầu
3.7. Thực hiện ngắn gọn về hồi quy Softmax
4. Multilayer Perceptrons
4.1. Multilayer Perceptrons
4.2. Thực hiện các Perceptrons đa lớp từ đầu
4.3. Thực hiện ngắn gọn của Multilayer Perceptrons
4.4. Lựa chọn mô hình, Underfitting, và Overfitting
4.5. Trọng lượng phân rã
4.6. Bỏ học
4.7. Chuyển tiếp tuyên truyền, tuyên truyền ngược, và đồ thị tính toán
4.8. Tính ổn định số và khởi tạo
4.9. Môi trường và phân phối Shift
4.10. Dự đoán giá nhà trên Kaggle
5. Tính toán học sâu
5.1. Lớp và khối
5.2. Quản lý tham số
5.3. Khởi tạo hoãn lại
5.4. Layers tùy chỉnh
5.5. Tệp I/O
5.6. GPU
6. Mạng thần kinh phức tạp
6.1. Từ các lớp được kết nối hoàn toàn đến sự phức tạp
6.2. Sự phức tạp cho hình ảnh
6.3. Đệm và sải chân
6.4. Nhiều kênh đầu vào và nhiều đầu ra
6.5. Pooling
6.6. Mạng thần kinh phức tạp (LeNet)
7. Mạng thần kinh phức tạp hiện đại
7.1. Mạng thần kinh phức tạp sâu (AlexNet)
7.2. Mạng sử dụng khối (VGG)
7.3. Mạng trong mạng (Nin)
7.4. Mạng có kết nối song song (GoogLeNet)
7.5. Chuẩn hóa hàng loạt
7.6. Mạng dư (ResNet)
7.7. Mạng kết nối mật độ (DenseNet)
8. Mạng nơ-ron tái phát
8.1. Mô hình trình tự
8.2. Xử lý sơ bộ văn bản
8.3. Mô hình ngôn ngữ và bộ dữ liệu
8.4. Mạng nơ-ron tái phát
8.5. Thực hiện các mạng nơ-ron tái phát từ đầu
8.6. Thực hiện ngắn gọn các mạng nơ-ron tái phát
8.7. Backpropagation qua thời gian
9. Mạng thần kinh tái phát hiện đại
9.1. Các đơn vị định kỳ cổng (GRU)
9.2. Bộ nhớ ngắn hạn dài (LSTM)
9.3. Mạng thần kinh tái phát sâu
9.4. Mạng nơ-ron định kỳ hai chiều
9.5. Dịch máy và bộ dữ liệu
9.6. Kiến trúc mã hóa-Decoder
9.7. Trình tự để học trình tự
9.8. Tìm kiếm chùm
10. Cơ chế chú ý
10.1. Chú ý tín hiệu
10.2. Chú ý Pooling: Hồi quy hạt nhân Nadaraya-Watson
10.3. Chức năng chấm điểm chú ý
10.4. Bahdanau Chú ý
10.5. Chú ý nhiều đầu
10.6. Tự ghi nhận và mã hóa vị trí
10.7. Máy biến áp
11. Thuật toán tối ưu hóa
11.1. Tối ưu hóa và học sâu
11.2. Độ lồi
11.3. Gradient Descent
11.4. Stochastic Gradient Descent
11.5. Minibatch Stochastic Gradient Descent
11.6. Đà
11.7. Adagrad
11.8. RMSProp
11.9. Adadelta
11.10. Ađam
11.11. Lập kế hoạch tỷ lệ học tập
12. Hiệu suất tính toán
12.1. Trình biên dịch và phiên dịch
12.2. Tính toán không đồng bộ
12.3. Song song tự động
12.4. Phần cứng
12.5. Đào tạo về nhiều GPU
12.6. Triển khai ngắn gọn cho nhiều GPU
12.7. Máy chủ tham số
13. Tầm nhìn máy tính
13.1. Hình ảnh Augmentation
13.2. Tinh chỉnh
13.3. Hộp phát hiện và giới hạn đối tượng
13.4. Hộp neo
13.5. Phát hiện đối tượng đa quy mô
13.6. Bộ dữ liệu phát hiện đối tượng
13.7. Phát hiện Multibox Shot đơn
13.8. CNN dựa trên khu vực (R-CNN)
13.9. Phân đoạn ngữ nghĩa và tập dữ liệu
13.10. Chuyển đổi Convolution
13.11. Mạng kết nối hoàn toàn
13.12. Chuyển kiểu thần kinh
13.13. Phân loại hình ảnh (CIFAR-10) trên Kaggle
13.14. Nhận dạng giống chó (Chó ImageNet) trên Kaggle
14. Chế biến ngôn ngữ tự nhiên: Pretraining
14.1. Từ nhúng (word2vec)
14.2. Đào tạo gần đúng
14.3. Các Dataset cho Pretraining Word Embeddings
14.4. Pretraining word2vec
14.5. Word Nhúng với Vectơ toàn cầu (Glove)
14.6. Subword Nhúng
14.7. Từ tương tự và tương tự
14.8. Đại diện bộ mã hóa hai chiều từ Transformers (BERT)
14.9. Tập dữ liệu cho Pretraining BERT
14.10. Pretraining BERT
15. Xử lý ngôn ngữ tự nhiên: Ứng dụng
15.1. Phân tích tình cảm và tập dữ liệu
15.2. Phân tích tình cảm: Sử dụng mạng nơ-ron tái phát
15.3. Phân tích tình cảm: Sử dụng mạng thần kinh phức tạp
15.4. Suy luận ngôn ngữ tự nhiên và tập dữ liệu
15.5. Suy luận ngôn ngữ tự nhiên: Sử dụng sự chú ý
15.6. Tinh chỉnh BERT cho các ứng dụng cấp Sequence-Level và Token-Level
15.7. Suy luận ngôn ngữ tự nhiên: Tinh chỉnh BERT
16. Hệ thống Recommender
16.1. Tổng quan về hệ thống Recommender
16.2. Bộ dữ liệu MovieLens
16.3. Matrận Factorization
16.4. AutoRec: Dự đoán xếp hạng với Autoencoders
16.5. Xếp hạng được cá nhân hóa cho hệ thống giới thiệu
16.6. Lọc hợp tác thần kinh để xếp hạng cá nhân hóa
16.7. Hệ thống khuyến cáo Sequence-Aware
16.8. Hệ thống giới thiệu giàu tính năng
16.9. Máy Factorization
16.10. Sâu Factorization Máy móc
17. Mạng đối thủ thế hệ
17.1. Mạng đối thủ thế hệ
17.2. Mạng đối thủ tạo phức tạp sâu
18. Phụ lục: Toán học cho Deep Learning
18.1. Hình học và các hoạt động đại số tuyến tính
18.2. Eigendecompositions
18.3. Tính toán biến đơn
18.4. Tính toán đa năng
18.5. Integral Calculus
18.6. Biến ngẫu nhiên
18.7. Khả năng tối đa
18.8. Bayes ngây thơ
18.9. Thống kê
18.10. Lý thuyết thông tin
19. Phụ lục: Các công cụ cho Deep Learning
19.1. Sử dụng Jupyter
19.2. Sử dụng Amazon SageMaker
19.3. Sử dụng phiên bản AWS EC2
19.4. Sử dụng Google Colab
19.5. Chọn máy chủ và GPU
19.6. Đóng góp cho cuốn sách này
19.7.
d2l
Tài liệu API
Tài liệu tham khảo
17.
Mạng đối thủ thế hệ
¶
17.1. Mạng đối thủ thế hệ
17.1.1. Tạo ra một số dữ liệu “thực”
17.1.2. Máy phát điện
17.1.3. Phân biệt đối xử
17.1.4. Đào tạo
17.1.5. Tóm tắt
17.1.6. Bài tập
17.2. Mạng đối thủ tạo phức tạp sâu
17.2.1. Các Pokemon Dataset
17.2.2. Các máy phát điện
17.2.3. Phân biệt đối xử
17.2.4. Đào tạo
17.2.5. Tóm tắt
17.2.6. Bài tập
Previous
16.10. Sâu Factorization Máy móc
Next
17.1. Mạng đối thủ thế hệ
