آموزش رفع مشکلات Python Deep Learning

در این مجموعه آموزش با مشکلات رایج در کدنویسی دیپ لرنینگ آشنا شده و بر رفع مشکلات معمول در برنامه نویسی Deep Learning در زبان پایتون مسلط خواهید شد.

عنوان اصلی : Troubleshooting Python Deep Learning

سرفصل ها :

بررسی اجمالی دوره
دو CNN را به درستی به هم متصل کنید
مدل آموزش دیده تقسیم
رفع خطاهای fit_generator
شی مدل هیچ ویژگی ندارد load_model Keras
val_acc بالا، اما دقت پایین در عمل
خطا در افزودن یک لایه متراکم
مدل با خطاهای خروجی چندگانه
مدلی که از Dropout استفاده می کند هنوز بیش از حد مناسب است
وقتی مقدار خطای ورودی 0 با لایه conv2d_1 ناسازگار است
تفسیر kernel_size notation در CNN
انتخاب تابع فعال سازی آخرین لایه در CNN
استفاده از دقت اعتبارسنجی
خطا هنگام استفاده از CNN برای طبقه بندی متن
مقدار اولیه وزن هسته در مدل CNN
مشکلات رایج هنگام استفاده از مدل های CNN از پیش آموزش دیده
خطای شکل هنگام آموزش مجموعه داده CIFAR-10 در CNN
ساخت یک مدل RNN در کراس
ورودی اشتباه: ValueError - خطا هنگام بررسی ورودی
آماده سازی متن صحیح برای ترجمه ماشینی
رسیدگی به خطای شکل ورودی نامعتبر
نگاشت یک سری از بردارها به یک بردار منفرد
حل یک خروجی بد از RNN در حین ایجاد یک دنباله ساده
آماده سازی صحیح داده ها برای پیش بینی سری های زمانی
چگونه RNN Stateful را فعال کنیم؟
انباشتن چند LSTM در Keras TypeError: Call() یک آرگومان کلمه کلیدی غیرمنتظره "return_sequences" دریافت کرد
کار با طول های مختلف توالی ورودی و خروجی
نحوه استفاده از Stacked LSTMs
استفاده از CNN-LSTM برای پیش بینی سری های زمانی
حل کمبود LSTM در مسئله سری زمانی
استفاده از LSTM برای پیش بینی چند ارزشی
نحوه انجام طبقه بندی متن با LSTM
آماده سازی داده ها برای یادگیری Seq2Seq
LabelBinarizer وقتی دو کلاس وجود دارد وکتور را برمی گرداند
مدیریت ارزش های گمشده
ارزیابی مدل های یادگیری عمیق با استفاده از معیارهای اضافی
رفع پیام های هشدار
تولید مجموعه داده های تست
عادی سازی و استانداردسازی داده ها
آماده سازی متن برای استفاده با مدل های یادگیری عمیق
تبدیل یک ماتریس دو بعدی به یک ماتریس رمزگذاری شده یک داغ
تغییر شکل یک آرایه 2 بعدی NumPy به آرایه سه بعدی
رفع خطای load.npy در Python3
ماتریس ND را به وکتور 1 بعدی تبدیل کنید