Downloaden Sie, um offline zu lesen
![Ein neuronales Netz mit TensorFlow bauen...
const model = tf.sequential();
model.add(tf.layers.dense({
inputShape:[224, 224, 3],
units: 100,
activation: 'sigmoid'
}));
model.add(tf.layers.dense({units: 100, activation: 'sigmoid'}));
model.add(tf.layers.dense({units: 1, activation: 'sigmoid'}));](https://image.slidesharecdn.com/deeplearningwebmontagks-200203095525/85/Deep-Learning-mit-TensorFlow-js-10-320.jpg)
![Ein neuronales Netz trainieren…
model.compile({
optimizer: 'adam',
loss: 'binaryCrossentropy',
metrics: ['accuracy']
});
await model.fit(trainData.data, trainData.labels, {
batchSize,
epochs,
validationSplit: 0.2, …](https://image.slidesharecdn.com/deeplearningwebmontagks-200203095525/85/Deep-Learning-mit-TensorFlow-js-12-320.jpg)
Hochgeladen vonJens Siebert
Deep Learning mit TensorFlow.js
Die Präsentation von Jens Siebert behandelt Deep Learning mit TensorFlow.js, erläutert die grundlegenden Konzepte von künstlicher Intelligenz, Machine Learning und Deep Learning sowie die Architektur neuronaler Netze. Zudem werden Anwendungsbeispiele und die Implementierung eines neuronalen Netzes in TensorFlow.js vorgestellt, einschließlich Training und Inferenz. Abschließend werden relevante Ressourcen und Literatur zu TensorFlow und Deep Learning bereitgestellt.
Deep Learning mit TensorFlow.js
- 1. Deep Learning mit TensorFlow.js JensSiebert (@jens_siebert) WebMontag Kassel, 03. Februar 2020 https://www.slideshare.net/JensSiebert1
- 2.
- 3.
- 4.
- 5. KI vs. MachineLearning vs. Deep Learning Künstliche Intelligenz Machine Learning Deep Learning
- 6. Klassische Algorithmen vs.Deep Learning Model Architektur Model RegelnDaten Ergebnis Trainings-Daten Regeln Ergebnis Daten Training Inferenz
- 7. TensorFlow – Frameworksfür Deep Learning TensorFlow • Training + Inferenz • Client + Server • GPU Beschleunigung (CUDA) • C++/Python + Language Bindings TensorFlow.js • Inferenz (+ Training) • Client (Browser) + Server (Node.js) • GPU Beschleunigung (WebGL oder CUDA) • JavaScript TensorFlow Lite • Inferenz • Mobile + eingebettete Systeme • C/C++ Tensoren… 𝑅𝑎𝑛𝑔 0 = 1 𝑅𝑎𝑛𝑔 1 = 1 2 𝑅𝑎𝑛𝑔 2 = 1 2 3 4
- 8. Deep Learning –Neuronale Netze ∑ w1 x1 ⍴w2 x2 wn xn Eingaben Gewichte Übertragungs- funktion Aktivierungs- funktion Ausgabe o 𝑜 = 𝜌 𝑖=1 𝑛 𝑥𝑖 𝑤𝑖 . . .
- 9. Deep Learning –Neuronale Netze i1 x1 i2 x2 i3 x3 h11 h12 h13 h14 h15 h21 h22 h23 h24 h25 o1 o2 Input-Layer Hidden-Layer(s) Output-Layer
- 10. Ein neuronales Netzmit TensorFlow bauen... const model = tf.sequential(); model.add(tf.layers.dense({ inputShape:[224, 224, 3], units: 100, activation: 'sigmoid' })); model.add(tf.layers.dense({units: 100, activation: 'sigmoid'})); model.add(tf.layers.dense({units: 1, activation: 'sigmoid'}));
- 11.
- 12. Ein neuronales Netztrainieren… model.compile({ optimizer: 'adam', loss: 'binaryCrossentropy', metrics: ['accuracy'] }); await model.fit(trainData.data, trainData.labels, { batchSize, epochs, validationSplit: 0.2, …
- 13. Convolutional Neural Networks ConvolutionalLayer(s) Classification Layer(s) class: „golden retriever“ probability: 0.86
- 14.
- 15. Transfer Learning class: „dog“ probability:0.94 Feature Extraction Model Classification Model
- 16.
- 17. Vielen Dank! https://www.tensorflow.org/js https://github.com/tensorflow/tfjs-examples https://github.com/tensorflow/tfjs-models Slides: https://www.slideshare.net/JensSiebert1 Code:https://bitbucket.org/jenssiebert/wmksdeeplearning Twitter: @jens_siebert