- 定义模型结构
- 损失函数
- 优化器：随机梯度下降
- 训练模型
- 进行预测
- 归一化任务
- 归一化训练数据
- 训练、预测、反归一化
- 逻辑回归任务
- 加载二分数据
- 定义模型结构：带有激活的数的单个神经元
- 损失函数：对数损失log loss
- 训练模型并可视化训练过程
- 进行预测
- 二分类数据集生成函数
- 多层神经网络任务
- 加载XOR数据集（XOR异或逻辑回归）
- 定义数据模型：多层神经网络
- 训练模型并预测
- 多分类任务
- 加载iris数据集(训练集和验证集)
- 定义模型结构：带有softmax的多层神经网络
- 训练模型：交叉熵损失函数与准确度度量
- 定义分类预测方法
- 欠拟合与过拟合任务
- 加载带有噪音的二分类数据
- 简单神经网络演示欠拟合
- 复杂神经网络演示过拟合
- 过拟合应对法：早停法、权重衰减、丢弃法
- 使用卷积神经网络识别手写数字任务
- 加载MNIST数据集
- 定义模型结构：卷积神经网络
- 训练模型
- 进行预测
- 预训练模型进行图片分类任务
- 加载MobileNet模型（MobileNet是一种卷积神经网络）
- 进行预测
预训练模型：
已经事先训练好的模型，无需训练即可预测
tensorflow.js中可以调用web格式的模型文件
- 基于迁移学习的图像分类器：商标识别任务
- 加载商标训练数据并可视化
- 定义模型结构：截断模型+双层神经网络
- 迁移学习下的模型训练
- 迁移学习下的模型预测
迁移学习：
把已训练好的模型参数迁移到新的模型来帮助新模型的训练
深度学习模型参数多，从头训练成本高
删除原始模型的最后一层，基于此截断模型的输出训练一个新的（通常相当浅的）模型
加载预训练语音识别模型(Tensorflow官方)
使用tfjs-models的speech-commands包加载模型
迁移学习：声控轮播图
-
python模型：通过python版Tensorflow/keras生成模型
-
python模型包括：Tensorflow SavedModel、Keras HDF5 model等
-
获取：开源网站下载/算法同事提供
-
js模型包括：tfjs_layers_model、tfjs_graph_model等
-
获取：通过开源网站/通过TFJS生成/由Python模型转化而来
怎么互转：
- 安装tensorflow.js Converter
- 在命令行指定输入输出的路径和模型格式即可。
python与js互转、js模型的互转：分片、量化、加速