通过《概率深度学习 使用Python、Keras和TensorFlow Probability》,我们希望将深度学习的基础概率原理介绍给更广泛的读者。实质上,在深度学习中,几乎所有的神经网络都是概率模型。
这其中有两个强大的概率原理,它们分别是最大似然和贝叶斯。 其中最大似然支配着所有传统的深度学习方法。将网络理解为采用 最大似然原理训练得到的概率模型,可以帮助提高网络性能,就像 谷歌从 WaveNet 提升到 WaveNet++时所做的那样,也可以用来生成令人惊叹的应用程序,就像 OpenAI 在 Glow(Glow 是一个生成逼真人脸图像的强大网络)中所做的那样。当网络需要表达“我不确定” 时,贝叶斯方法就会发挥作用。奇怪的是,传统的神经网络无法做到这一点。本书的副标题是“使用 Python、Keras 和 TensorFlow Probability”,它反映了这样一个事实:你应该亲自动手编写一些代码。
读者对象
《概率深度学习 使用Python、Keras和TensorFlow Probability》
是为那些想要了解深度学习的基本概率原理的人编写的。 理想情况下,你最好具有一些深度学习或机器学习方面的基础,不
会抵触少许的数学和
Python
代码。我们不会省去必要的数学推导, 同时在代码中也会包含示例。我们相信将数学与代码相结合,更能加深你的理解
想了解更多关于《概率深度学习 使用Python、Keras和TensorFlow Probability》的内容,请点击: