TensorFlow Lite
Прогнозирование
Мобильные и встраиваемые устройства
TensorFlow.js
Прогнозирование
Браузеры
Таблица 1.4. Примеры известных архитектур моделей
Эти веса являются необходимыми параметрами вершин в графе, обеспечивающими правильную обработку входных данных.
Датасет + Модель + Фреймворк + Оборудование = Решение задачи глубокого обучения
Рис. 1.8. Ингредиенты для идеального решения задачи глубокого обучения
Потому что этого требует математика. В компьютерной графике распространены такие задачи, как перемещение объектов, вращение объектов, изменение их формы, регулировка их освещения и т.д., и во всех этих задачах используются матричные операции. И GPU стали специализироваться на них.
ход = f(вход1, вход2) = 2 × вход1 + 3 × вход2.
(вход1, вход2) = 2 × вход1 + 3 × вхо
выход = f(вход1, вход2) = 2 × вход1 + 3 × вход2.
В данном случае веса равны 2 и 3. Глубокая нейронная сеть имеет миллионы таких весовых параметров.
свои нюансы, в то время как другие видят что-то более обобщенное. Все это тоже отражается в наших датасетах.
Таблица 1.6. Популярные инструменты с графическим интерфейсом для обучения моделей
