Тип даних, що використовується виключно для зображень.

Алгоритм для оптимізації функцій втрат.

Узагальнення скалярів, векторів і матриць до багатовимірних масивів.

Одновимірний масив чисел, подібний до списку.

для навчання нейрон

ної

мережі на навчальних даних train_img з отриманням втрат та точності для навчальних

та валідаційних даних test_img лише для навченої мережі

для побудови нейрон

ної

мережі з навчальними даними train_img та валідаційними даними test_img зі збереженням структури

мережі в об’єкті history

для побудови нейрон

ної

мережі з навчальними даними train_img та валідаційними даними test_img зі збереженням цих даних

в об’єкті history

для навчання нейрон

ної

мережі на навчальних даних train_img зі збереженням втрат та точності за

from keras.models import Sequential

from keras.layers import Embedding, Flatten, Dense

model = Sequential()

model.add(Embedding(max_words, embedding_dim, input_length=maxlen))

model.add(Flatten())

model.add(Dense(32, activation='relu'))

from keras.models import Sequential

from keras.layers import Embedding, Flatten, Dense

model = Sequential()

model.add(Embedding(max_words, embedding_dim, input_length=maxlen))

model.add(Flatten())

model.add(Dense(32, activation='relu'))

from keras.models import Sequential

from keras.layers import Embedding, Flatten, Dense

model = Sequential()

model(Embedding(max_words, embedding_dim, input_length=maxlen))

model(Flatten())

model(Dense(32, activation='relu'))

from keras.models import Sequential

from keras.layers import Embedding, Flatten, Dense

model = Sequential()

model.add(Embedding(max_words, embedding_dim, input_length=maxlen))

model.add(Flatten())

model.add(Dense(32, activation='relu'))

from keras.applications import VGG16

conv_base = VGG16(weights='imagenet',

                  input_shape=(384,512,3))

conv_base.summary()

from keras.applications import VGG16

conv_base = VGG16(weights='imagenet',

                  include_top=False,

                  input_shape=(384,512,3))

conv_base.summary()

from keras.applications VGG16

conv_base = VGG16(weights='imagenet',

                  include_top=False,

                  input_shape=(384,512,3))

conv_base.summary()

from keras.applications import VGG16

conv_base = VGG16(weights='imagenet',

                  include_top=False,

                  input_shape=(384,512,3))

conv_base.summary()

10000

1000

6000

8000

Не можуть працювати з текстовими даними.

Не здатні зберігати прихований стан.

Втрачають далекі залежності через проблему затухаючих градієнтів.

Завжди потребують великих наборів даних.

Заморожування перших шарів і донавчання верхніх шарів для нових даних.

Заморожування всіх шарів, окрім повнозв’язного.

Перенавчання моделі з нуля.

Донаштування всіх шарів попередньо навченої моделі.

Dropout використовується для LSTM, а recurrent_dropout – для GRU.

Dropout обнуляє вхідні дані, а recurrent_dropout – рекурентні активації.

Dropout контролює вихідний сигнал, а recurrent_dropout – вхідний.

Dropout призначений для роботи з короткими послідовностями, а recurrent_dropout – з довгими.

Коли немає доступу до великого обсягу даних.

Коли потрібно використовувати Data Augmentation.

Коли потрібно заморозити всі шари попередньої моделі.

Коли новий набір даних суттєво відрізняється від початкового набору.

Gradient Recursive Unit

Gated Recurrent Unit

General Recurrent Unit

Generalized Recursive Unit