《深度學習介紹》ppt課件

1、深度學習介紹,2018年5月,1,目錄,深度學習概述深度學習常見場景深度學習常用算法介紹深度學習常用框架介紹TensorFlow入門深度學習未來和展望,2,1.1 深度學習概述,3,深度學習(Deep Learning, DL)由Hinton等人于2006年提出，是機器學習(MachineLearning, ML)的一個新領域。深度學習起源于人工神經(jīng)網(wǎng)絡，它的定義：通過組合低層特征形成更加抽象的高層特征或類別，從而從大量的輸

2、入數(shù)據(jù)中學習有效特征表示，并把這些特征用于分類、回歸和信息檢索的一種技術。深度學習被引入機器學習使其更接近于最初的目標----人工智能（AI，Artificial Intelligence）。深度學習是學習樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次，這些學習過程中獲得的信息對諸如文字、圖像和聲音等數(shù)據(jù)的解釋有很大的幫助。它的最終目標是讓機器能夠像人一樣具有分析學習能力，能夠識別文字、圖像和聲音等數(shù)據(jù)。,1.2 與機器學習關系,4,如上圖，人工智能是

3、最早出現(xiàn)的，也是最大、最外側的同心圓；其次是機器學習，稍晚一點；最內(nèi)側，是深度學習，當今人工智能大爆炸的核心驅動。,1.3 基本概念,5,深度學習(Deep Learning, DL)：通過組合低層特征形成更加抽象的高層特征或類別，從而從大量的輸入數(shù)據(jù)中學習有效特征表示，并把這些特征用于分類、回歸和信息檢索的一種技術。人工神經(jīng)網(wǎng)絡：是一種模仿動物神經(jīng)網(wǎng)絡行為特征，進行分布式并行信息處理的算法數(shù)學模型。這種網(wǎng)絡依靠系統(tǒng)的復雜程度，通過調(diào)

4、整內(nèi)部大量節(jié)點之間相互連接的關系，從而達到處理信息的目的。深度神經(jīng)網(wǎng)絡：包含多個隱含層的神經(jīng)網(wǎng)絡。模型：可以理解成算法和數(shù)據(jù)的合集。模型訓練：利用模型的算法，使用深度神經(jīng)網(wǎng)絡進行權值的訓練，最終得出一個最優(yōu)解。模型預測：使用訓練完成的模型進行預測，得出分類識別結果。,目錄,深度學習概述深度學習常見場景深度學習常用算法介紹深度學習常用框架介紹TensorFlow入門深度學習未來和展望,6,2 深度學習場景,7,當前深度學

5、習使用的場景主要在無人駕駛，人臉識別，拍照購，智能客服，文字識別，語音識別，目標檢測，圖片分類等方面。,深度學習,無人駕駛,人臉識別,拍照購,智能客服,文字識別,目標檢測,圖像分類,語音識別,2.1 深度學習場景 - 無人駕駛,8,無人駕駛：深度學習利用其深層的神經(jīng)網(wǎng)絡，通過一定的算法能訓練出一個識別率非常高的分類器，從而能夠使環(huán)境感知部分高精度的完成，為駕駛決策模塊提供正確的環(huán)境信息，保證無人駕駛正常的完成。,2.2 深度學習場景 -

6、 人臉識別,9,人臉識別：人臉信息的識別，是對人臉的信息加以提取然后進行識別的辦法，一個最重要的目標就是分辨不同人的信息，辨別身份。面部識別的主要方式有：幾何結構、子空間局部特征以及深度學習。,安防領域,開戶審核,考勤門禁,......,2.3 深度學習場景 - 文字識別,10,文字識別：基于深度學習的文字識別系統(tǒng)的實現(xiàn)方法，屬于圖像處理技術領域，將包含文字的圖片進行預處理、切分、識別，重組成一段文本，從而實現(xiàn)圖片到文本的轉換。涉及到圖

7、像預處理、圖片切分、圖片識別和文字重組。,審核,車牌識別,文檔識別,......,2.4 深度學習場景 - 圖像識別,11,圖片識別：圖像識別與人臉及文字識別類似，主要流程包括圖像預處理，圖像分割，圖像特征提取和圖像分類。,圖像審核,拍照購,工業(yè)醫(yī)療檢測,目標識別,......,2.5 深度學習場景 - 語音識別,12,語音識別：一個完整的語音識別系統(tǒng)可大致分為3部分：語音特征提取、聲學模型與模式匹配和語言模型與語言處理。其中聲學模型是

8、識別系統(tǒng)的底層模型，并且是語音識別系統(tǒng)中最關鍵的一部分。,語音審核,語音轉文字,語音控制,......,目錄,深度學習概述深度學習常見場景深度學習常用算法介紹深度學習常用框架介紹TensorFlow入門深度學習未來和展望,13,3.1 人工神經(jīng)網(wǎng)絡（ANN）,14,人工神經(jīng)網(wǎng)絡（Artificial Neural Networks）是一種模仿生物神經(jīng)網(wǎng)絡行為特征，進行分布式并行信息處理的算法數(shù)學模型。這種網(wǎng)絡依靠系統(tǒng)的復雜程度

9、，通過調(diào)整內(nèi)部大量節(jié)點（神經(jīng)元）之間相互連接的權重，從而達到處理信息的目的。,3.1 人工神經(jīng)網(wǎng)絡（ANN）,15,神經(jīng)網(wǎng)絡,3.1 人工神經(jīng)網(wǎng)絡（ANN）,16,人工神經(jīng)網(wǎng)絡的重要概念： 1 權值矩陣：相當于神經(jīng)網(wǎng)絡的記憶！在訓練的過程中，動態(tài)調(diào)整和適應。 2 激勵函數(shù)：,3.1 人工神經(jīng)網(wǎng)絡（ANN）,17,人工神經(jīng)網(wǎng)絡的重要概念： 激勵函數(shù)很重要，無論是對建立神經(jīng)網(wǎng)絡的模型，還是理解神經(jīng)網(wǎng)絡。首先要了解，它

10、有以下幾個影響： 1 如何能更好的求解目標函數(shù)的極值！——高等數(shù)學中求解函數(shù)極值的知識！可微，單調(diào)！ 2 如何提升訓練效率，讓梯度的優(yōu)化方法更穩(wěn)定； 3 權值的初始值，不影響訓練結果！,3.1 卷積神經(jīng)網(wǎng)絡（CNN）,18,卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks / CNNs / ConvNets）與普通神經(jīng)網(wǎng)絡非常相似，它們都由具有可學習的權重和偏置常量(biases)的神經(jīng)元組成。每個神經(jīng)元都

11、接收一些輸入，并做一些點積計算，輸出是每個分類的分數(shù)，普通神經(jīng)網(wǎng)絡里的一些計算技巧到這里依舊適用。與普通神經(jīng)網(wǎng)絡不同之處：卷積神經(jīng)網(wǎng)絡默認輸入是圖像，可以讓我們把特定的性質編碼入網(wǎng)絡結構，使是我們的前饋函數(shù)更加有效率，并減少了大量參數(shù)。,3.1 卷積神經(jīng)網(wǎng)絡（CNN）,19,卷積操作：對圖像（不同的數(shù)據(jù)窗口數(shù)據(jù)）和濾波矩陣（一組固定的權重：因為每個神經(jīng)元的權重固定，所以又可以看做一個恒定的濾波器filter）做內(nèi)積（逐個元素相乘再求

12、和）的操作就是所謂的『卷積』操作，也是卷積神經(jīng)網(wǎng)絡的名字來源。,3.1 卷積神經(jīng)網(wǎng)絡（CNN）,20,3.1 卷積神經(jīng)網(wǎng)絡（CNN）,21,3.1 卷積神經(jīng)網(wǎng)絡（CNN）,22,卷積層（Convolutional layer），卷積神經(jīng)網(wǎng)路中每層卷積層由若干卷積單元組成，每個卷積單元的參數(shù)都是通過反向傳播算法優(yōu)化得到的。卷積運算的目的是提取輸入的不同特征，第一層卷積層可能只能提取一些低級的特征如邊緣、線條和角等層級，更多層的網(wǎng)絡能從低級

13、特征中迭代提取更復雜的特征。線性整流層（Rectified Linear Units layer, ReLU layer），這一層神經(jīng)的激勵函數(shù)（Activation function）使用線性整流（Rectified Linear Units, ReLU）f(x)=max(0,x)。池化層（Pooling layer），通常在卷積層之后會得到維度很大的特征，將特征切成幾個區(qū)域，取其最大值或平均值，得到新的、維度較小的特征。全連接

14、層（ Fully-Connected layer）, 把所有局部特征結合變成全局特征，用來計算最后每一類的得分。,3.1 卷積神經(jīng)網(wǎng)絡（CNN）,23,3.1 卷積神經(jīng)網(wǎng)絡（CNN）,24,在圖像處理中，往往把圖像表示為像素的向量，比如一個1000×1000的圖像，可以表示為一個1000000的向量。在上一節(jié)中提到的神經(jīng)網(wǎng)絡中，如果隱含層數(shù)目與輸入層一樣，即也是1000000時，那么輸入層到隱含層的參數(shù)數(shù)據(jù)為1000000&#

15、215;1000000=10^12，這樣就太多了，基本沒法訓練。所以圖像處理要想練成神經(jīng)網(wǎng)絡大法，必先減少參數(shù)加快速度。就跟辟邪劍譜似的，普通人練得很挫，一旦自宮后內(nèi)力變強劍法變快，就變的很牛了。,3.1 卷積神經(jīng)網(wǎng)絡（CNN）,25,卷積神經(jīng)網(wǎng)絡有兩種神器可以降低參數(shù)數(shù)目，第一種神器叫做局部感知。在下方右圖中，假如每個神經(jīng)元只和10×10個像素值相連，那么權值數(shù)據(jù)為1000000×100個參數(shù)，減少為原來的萬分之

16、一。而那10×10個像素值對應的10×10個參數(shù)，其實就相當于卷積操作。,3.1 卷積神經(jīng)網(wǎng)絡（CNN）,26,這樣的話參數(shù)仍然過多，那么就啟動第二級神器，即權值共享。在上面的局部連接中，每個神經(jīng)元都對應100個參數(shù)，一共1000000個神經(jīng)元，如果這1000000個神經(jīng)元的100個參數(shù)都是相等的，那么參數(shù)數(shù)目就變?yōu)?00了。怎么理解權值共享呢？我們可以這100個參數(shù)（也就是卷積操作）看成是提取特征的方式，該方式與

17、位置無關。這其中隱含的原理則是：圖像的一部分的統(tǒng)計特性與其他部分是一樣的。這也意味著我們在這一部分學習的特征也能用在另一部分上，所以對于這個圖像上的所有位置，我們都能使用同樣的學習特征。,3.1 卷積神經(jīng)網(wǎng)絡（CNN）,27,上面所述只有100個參數(shù)時，表明只有1個100*100的卷積核，顯然，特征提取是不充分的，我們可以添加多個卷積核，比如32個卷積核，可以學習32種特征。在有多個卷積核時，如下圖所示：,3.1 卷積神經(jīng)網(wǎng)絡（CNN）

18、,28,池化，也稱作下采樣，可以實現(xiàn)降維。常用有最大值池化和均值池化。,3.1 卷積神經(jīng)網(wǎng)絡（CNN）,29,全連接層：連接所有的特征，將輸出值送給分類器（如softmax分類器），最終得出識別結果。,3.2 常見網(wǎng)絡模型,30,LeNet,3.2 常見網(wǎng)絡模型,31,AlexNet,3.2 常見網(wǎng)絡模型,32,VGG16,3.2 常見網(wǎng)絡模型,33,GoogleNet （InceptionV4）,3.2 常見網(wǎng)絡模型,34,比較,3.

19、3 其他深度學習算法,35,自動編碼器（AutoEncoder）稀疏編碼（Sparse Coding）限制玻爾茲曼機（RBM）,目錄,深度學習概述深度學習常見場景深度學習常用算法介紹深度學習常用框架介紹TensorFlow入門深度學習未來和展望,36,4.1 開源框架概述,37,深度學習研究的熱潮持續(xù)高漲，各種開源深度學習框架也層出不窮，其中包括TensorFlow、Caffe、Keras、CNTK、Torch7、MXNe

20、t、Leaf、Theano、DeepLearning4、Lasagne、Neon等等。下圖是各個開源框架在GitHub上的數(shù)據(jù)統(tǒng)計（2017年初）。,4.1 開源框架概述,38,Google、Microsoft、Facebook等巨頭都參與了這場深度學習框架大戰(zhàn)，此外，還有畢業(yè)于伯克利大學的賈揚清主導開發(fā)的Caffe，蒙特利爾大學Lisa?Lab團隊開發(fā)的Theano，以及其他個人或商業(yè)組織貢獻的框架。下表是主流深度學習框架在各個維度的

21、評分。,4.2 TensorFlow,39,TensorFlow最初是由研究人員和Google Brain團隊針對機器學習和深度神經(jīng)網(wǎng)絡進行研究所開發(fā)的，目前開源之后可以在幾乎各種領域適用。TensorFlow靈活的架構可以部署在一個或多個CPU、GPU的臺式以及服務器中，或者使用單一的API應用在移動設備中。,4.3 Caffe,40,Caffe由加州大學伯克利的PHD賈揚清開發(fā)，全稱Convolutional Architectu

22、re for Fast Feature Embedding，是一個清晰而高效的開源深度學習框架，目前由伯克利視覺學中心（Berkeley Vision and Learning Center，BVLC）進行維護。（賈揚清曾就職于MSRA、NEC、Google Brain，他也是TensorFlow的作者之一，目前任職于Facebook FAIR實驗室。）Caffe2臉書 (Facebook) 出品，為生產(chǎn)環(huán)境設計，提供在各種平臺（包括

23、移動設備）的運行。,4.4 Torch,41,Torch是一個有大量機器學習算法支持的科學計算框架，其誕生已經(jīng)有十年之久，但是真正起勢得益于Facebook開源了大量Torch的深度學習模塊和擴展。Torch另外一個特殊之處是采用了編程語言Lua(該語言曾被用來開發(fā)視頻游戲)。PyTorch是基于Torch的衍生，支持Python語言，實現(xiàn)了機器學習框架 Torch 在 Python 語言環(huán)境的執(zhí)行。,4.5 Theano,42,2

24、008年誕生于蒙特利爾理工學院,Theano派生出了大量深度學習Python軟件包，最著名的包括Blocks和Keras。Theano的核心是一個數(shù)學表達式的編譯器，它知道如何獲取你的結構。并使之成為一個使用numpy、高效本地庫的高效代碼，如BLAS和本地代碼（C++）在CPU或GPU上盡可能快地運行。它是為深度學習中處理大型神經(jīng)網(wǎng)絡算法所需的計算而專門設計的，是這類庫的首創(chuàng)之一（發(fā)展始于2007年），被認為是深度學習研究和開發(fā)的行業(yè)

25、標準。,4.6 Deeplearning4j,43,Deeplearning4j是“for Java”的深度學習框架，也是首個商用級別的深度學習開源庫。Deeplearning4j由創(chuàng)業(yè)公司Skymind于2014年6月發(fā)布，使用 Deeplearning4j的不乏埃森哲、雪弗蘭、博斯咨詢和IBM等明星企業(yè)。DeepLearning4j是一個面向生產(chǎn)環(huán)境和商業(yè)應用的高成熟度深度學習開源庫，可與Hadoop和Spark集成，即插即用，方便

26、開發(fā)者在APP中快速集成深度學習功能。,4.7 MXNet,44,出自CXXNet、Minerva、Purine 等項目的開發(fā)者之手，主要用C++ 編寫。MXNet 強調(diào)提高內(nèi)存使用的效率，甚至能在智能手機上運行諸如圖像識別等任務。,4.8 CNTK,45,CNTK（Computational?Network?Toolkit）是微軟研究院（MSR）開源的深度學習框架。它最早由start?the?deep?learning?craze的演

27、講人創(chuàng)建，目前已經(jīng)發(fā)展成一個通用的、跨平臺的深度學習系統(tǒng)，在語音識別領域的使用尤其廣泛。,目錄,深度學習概述深度學習常見場景深度學習常用算法介紹深度學習常用框架介紹TensorFlow入門深度學習未來和展望,46,5.1 引言,47,TensorFlow的API主要分兩個層次，核心層和基于核心層的高級API。核心層面向機器學習的研究人員，以及對模型控制精細的相關人員。高級API使用和學習相對容易，簡化重復性任務，使不同的用戶之

28、間保持一致性。高級API，如tf.contrib.learn可以幫助管理數(shù)據(jù)集data set，估計量estimators，訓練training，推理inference注意，一些高級API的方法名中包含contrib，意味著這些API依然處于開發(fā)過程中，這些方法在后續(xù)的TensorFlow版本中可能改變或者不再使用本章從核心層開始，后邊會提到如何使用tf.contrib.learn實現(xiàn)模型。了解核心層，在使用高級API的時候知道程

29、序是如何工作的。,5.2 安裝,48,推薦使用Anaconda環(huán)境安裝，集成了Python，numpy等。Windows要求Python版本為3.5。在線環(huán)境直接使用pip install tensorflow （tensorflow_gpu）離線環(huán)境可下載whl包進行安裝（https://pypi.python.org/pypi），然后同樣執(zhí)行pip install xx.whl進行安裝，安裝過程中若提示缺少依賴包可下載安裝后再

30、繼續(xù)安裝。推薦Python開發(fā)工具 PyCharm安裝成功后驗證安裝是否成功$python>>import tensorflow as tf>>tf.__version__ #查看TF版本>>tf.__path__ #查看TF安裝路徑,5.3 張量Tensor,49,數(shù)據(jù)的核心單元，一個tensor是一個包含任意維度的數(shù)組，張量的階Tensor' rank是數(shù)組的維度，如下

31、：3 # 0階張量，一個標量scalar with shape[][1. ,2., 3.] # 1階張量; 一個向量vector with shape [3][[1., 2., 3.], [4., 5., 6.]] # 2階 張量; 一個矩陣matrix with shape [2, 3][[[1., 2., 3.]], [[7., 8., 9.]]] # 3階 張量tensor with shape [2, 1, 3]

32、2 是指[[1., 2., 3.]] 和 [[7., 8., 9.]]1 是指[[1., 2., 3.]] 中有1個 [1., 2., 3.]3 是指 [1., 2., 3.]中有3個：1., 2., 3.,5.4 計算圖 Computational Graph,50,Tensorflow編程包含兩個步驟： 1.構造計算圖 2.運行計算圖計算圖是什么？計算圖是一系列的計算操作抽象為圖中的節(jié)點。構造一個簡單的

33、計算圖：每個節(jié)點將0或多個tensor作為輸入，輸出一個tensor。一種類型的節(jié)點是常量節(jié)點constant，就如同tensorflow中的常數(shù)，它有0個輸入，輸出一個值。構建兩個浮點型tensor：node1和node2,5.4 計算圖 Computational Graph,51,構造一個簡單的計算圖：每個節(jié)點將0或多個tensor作為輸入，輸出一個tensor。一種類型的節(jié)點是常量節(jié)點constant，就如同tensorfl

34、ow中的常數(shù)，它有0個輸入，輸出一個值。構建兩個浮點型tensor：node1和node2node1 = tf.constant(3.0, tf.float32) node2 = tf.constant(4.0) # also tf.float32 implicitly print(node1, node2) 輸出結果：Tensor("Const:0", shape=(), dtype=floa

35、t32) Tensor("Const_1:0", shape=(), dtype=float32),5.4 計算圖 Computational Graph,52,需要說明，打印結果并不是我們期待的3.0 , 4.0，因為這是打印的節(jié)點（屬于計算操作），當評估運行之后，才是我們期待的值。評估一個節(jié)點，必須在一個會話Session中運行計算圖，會話封裝了Tensorflow運行時的狀態(tài)和控制接下來創(chuàng)建一個Sessi

36、on會話對象，調(diào)用run方法，運行計算圖，去評估node1和node2sess=tf.Session() print(sess.run([node1,node2])) 輸出結果：[3.0, 4.0],5.4 計算圖 Computational Graph,53,可以使用計算操作將多個節(jié)點組合，構建更復雜的計算，例如將兩個常量節(jié)點相加，產(chǎn)生一個新的計算圖：node3 = tf.add(node1, node2) pri

37、nt("node3: ", node3) print("sess.run(node3): ",sess.run(node3)) 輸出結果：node3: Tensor("Add:0", shape=(), dtype=float32) sess.run(node3): 7.0,5.4 計算圖 Computational Graph,54,計算圖可以使用占位符pla

38、ceholder參數(shù)化的從外部輸入數(shù)據(jù)，placeholder的作用是在稍后提供一個值# 構造計算圖 a=tf.placeholder(tf.float32) b=tf.placeholder(tf.float32) adder_node=a+b #運行計算圖 print("adder_node:",adder_node) print(sess.run(adder_node,{a:3,b:4

39、.5})) print(sess.run(adder_node,{a:[1,3],b:[2,4]})) 輸出結果：adder_node: Tensor("add:0", dtype=float32) 7.5 [ 3. 7.],5.4 計算圖 Computational Graph,55,在機器學習中，需要模型可以任意輸入，為了模型具有可訓練能力，需要修正計算圖，使對于同樣的輸入得到新的輸出。變量V

40、ariable允許我們?yōu)橛嬎銏D添加訓練參數(shù)。構造一個變量，需要提供類型和初始值：W=tf.Variable([.3],tf.float32) b=tf.Variable([-.3],tf.float32) x=tf.placeholder(tf.float32) linear_model=W*x+b,5.4 計算圖 Computational Graph,56,常量節(jié)點在調(diào)用tf.constant時就被初始化，而變量在

41、調(diào)用tf.Variable時并不初始化，必須顯性的執(zhí)行如下操作：init = tf.global_variables_initializer() sess.run(init) 意識到init對象是Tensorflow子圖初始化所有全局變量的句柄是重要的，在調(diào)用sess.run(init)方法之前，所有變量都是未初始化的。因為x是一個占位符，我們可以指定幾個值來評估linear_model模型（訓練）print("

42、linear_model:",linear_model) print(sess.run(linear_model,{x:[1,2,3,4]})) 得到輸出：linear_model: Tensor("add_1:0", dtype=float32) [ 0. 0.30000001 0.60000002 0.90000004],5.4 計算圖 Computational G

43、raph,57,我們創(chuàng)建了一個模型，但是不知道這個模型的效果怎么樣，基于訓練數(shù)據(jù)來評估模型，還需要一個placeholder y 來提供期望值，我們需要一個損失函數(shù)loss function損失函數(shù)測量當前模型與真實數(shù)據(jù)之間的差距，對于線性模型，我們使用標準損失函數(shù)，求模型預測結果與實際數(shù)據(jù)之間差值的平方和sum the squares of the deltasy=tf.placeholder(tf.float32) squa

44、red_deltas=tf.square(linear_model-y) loss=tf.reduce_sum(squared_deltas) print("loss:",loss) print(sess.run(loss,{x:[1,2,3,4],y:[0,-1,-2,-3]})) 輸出結果：loss: Tensor("Sum:0", dtype=float32) 23.6

45、6,5.4 計算圖 Computational Graph,58,我們可以通過手動的方式將參數(shù)W和b置為W=-1，b=1，使模型最優(yōu)，即損失函數(shù)最小。初始化后的變量可以通過tf.assign來更改，tf.assign后需要tf.run生效fixW=tf.assign(W,[-1.]) fixb=tf.assign(b,[1.]) sess.run([fixW,fixb]) print("fix loss:&quo

46、t;,sess.run(loss,{x:[1,2,3,4],y:[0,-1,-2,-3]})) 輸出結果：fix loss: 0.0 我們猜想最優(yōu)的W和b值，但是在機器學習中，就是自動的尋找這些最優(yōu)的模型參數(shù)。,5.5 API tf. train,59,Tensorflow提供了優(yōu)化器Optimizer慢慢改變每個變量來最小化損失函數(shù)。最簡單的Optimizer是梯度下降gradient descent，它根據(jù)損失函數(shù)相

47、對于該變量的導數(shù)大小來修改參數(shù)值，一般來講，手動計算導數(shù)是乏味且易出錯的，Tensorflow可以使用方法tf.gradients自動的為給定模型計算導數(shù)。優(yōu)化器通常做這個工作。,5.5 API tf. train,60,optimizer=tf.train.GradientDescentOptimizer(0.01) train=optimizer.minimize(loss) print("train:\n&qu

48、ot;,trian) sess.run(init)#重置變量到初始化值 for i in range(1000): sess.run(train,{x:[1,2,3,4],y:[0,-1,-2,-3]}) print(sess.run([W,b])) 輸出結果：train: name: "GradientDescent" op: "NoOp" [arr

49、ay([-0.9999969], dtype=float32), array([ 0.99999082], dtype=float32)],5.6 作業(yè) - 圖像分類,61,基本：使用TensorFlow對商品圖像進行訓練，模型可自己選擇，或自定義使用TensorBoard查看訓練過程輸出商品分類模型進階：使用測試樣本集驗證模型準確率部署模型，提供預測服務,目錄,深度學習概述深度學習常見場景深度學習常用算法介紹深度學