В этой статье я расскажу о новом комфортном способе программировать на Python.
Это больше похоже не на программирование, а на создание статей (отчетов/демонстраций/исследований/примеров): среди блоков кода на Python можно вставлять обычный поясняющий текст. Результатом выполнения кода является не только числа и текст (как в случае с консолью при стандартной работе с Python), но еще и графики, диаграммы, картинки…
Нейросети создают и обучают в основном на языке Python. Поэтому очень важно иметь базовые представления о том, как писать на нем программы. В этой статье я кратко и понятно расскажу об основных понятиях этого языка: переменных, функциях, классах и модулях.
Материал рассчитан на людей, не знакомых с языками программирования.
Для начала Python надо установить. Затем нужно поставить удобную среду для написания программ на Python. Этим двум шагам посвящена отдельная статья на портале.
Нейронные сети надо писать на каком-то языке программирования. Их великое множество, но я рекомендую (и использую в учебнике и статьях) именно язык Python. Почему?
Он очень прост в изучении
Большое количество готовых библиотек
Когда смотришь на программу, сразу видишь алгоритм, который она реализует
Большая часть специалистов в машинном обучении используют Python и большая часть библиотек тоже создается именно под этот язык программирования
В предыдущей части мы учились рассчитывать изменения сигнала при проходе по нейросети. Мы познакомились с матрицами, их произведением и вывели простые формулы для расчетов.
В 6 части перевода выкладываю сразу 4 раздела книги. Все они посвящены одной из самых важных тем в области нейросетей — методу обратного распространения ошибки. Вы научитесь рассчитывать погрешность всех нейронов нейросети основываясь только на итоговой погрешности сети и весах связей.
Материал сложный, так что смело задавайте свои вопросы на форуме.
В 5 части перевода привожу сразу 3 связанных по смыслу раздела.
Сначала мы собственноручно посчитаем выходы двухслойной нейросети. Затем познакомимся с матрицами и их произведением. С помощью полученных знаний мы выведем простые формулы для расчета преобразования сигналов в нейросети. А в последнем разделе мы проверим полученные формулы на практике, посчитав выходы уже трехслойной нейросети.
Заканчиваем ходить вокруг да около и переходим непосредственно к теме книги — нейросетям.
В этой части перевода мы рассмотрим биологические нейронные сети и сравним их с традиционными компьютерами. Затем мы построим модель искусственного нейрона и в итоге перейдем непосредственно к искусственным нейросетям.
Статья не очень большая. Она охватывает только один раздел книги. Цель — показать, что у каждого метода есть свои ограничения. В статье рассматривается ограничения линейного классификатора. Также вводятся понятия логических функций и проблемы XOR.
В этой статье я расскажу об интересном генераторе музыки, который работает на нейронных сетях. Генератор называется Amper. С его помощью любой человек, даже весьма далекий от сочинения композиций может самостоятельно создать уникальную мелодию и использовать ее в своих целях.
Вот, например, что нейросеть разработала для меня:
Существуют и другие генераторы музыки, но для их использования надо знать Python и иметь базовые понятия о библиотеках, на которых эти генераторы были созданы. Amper же предоставляет удобный и интуитивно понятный интерфейс.
Продолжаю перевод замечательной книги «Создай свою нейросеть».
В этой части переведены следующие два раздела (1.3 и 1.4). В них мы вместе создадим простейший классификатор и прочно освоим понятие коэффициента скорости обучения. Научимся правильно и по шагам обучать классификатор.
