ITPub博客

本文将重点介绍如何使用LSTM神经网络架构，使用Keras和Tensorflow提供时间序列预测，特别是在股票市场数据集上，以提供股票价格的动量指标。

在这篇博文中，我将介绍如何通过使用Keras框架构建一个简单的卷积神经网络来优化此过程，该框架可以分析上传的图像是用于手机广告还是笔记本电脑广告，并告诉我们图像是否与广告类别匹配。

在走进深度学习的过程中，最吸引作者的是一些用于给对象分类的模型。最新的科研结果表示，这类模型已经可以在实时视频中对多个对象进行检测。而这就要归功于计算机视觉领域最新的技术革新。 众所周知，在过去的几年里，卷积神经网络（CNN或ConvNet）在深度学习领域取得了许多重大突破，但对于大多数人而言，这个描述是相当不直观的。因此，要了解模型取得了怎样大的突破，我们应该先了解卷积神经网络是怎样工作的。

近日，OpenAI开发了一套“OpenAI Five”算法，他们的五种神经网络算法已经可以在Dota 2游戏中进行团队协作击败业余人员队伍。OpenAI表示，虽然今天的游戏中仍有限制，但他们的目标是在8月份的国际比赛中击败一批顶尖的专业人士，当然只限于一些有限的“英雄”角色。

大部分超参数都可以用来优化神经网络的性能。但并不是所有超参数都能"担此重任"。优化神经网络性能需要选择合适的优化器。而本文将为你带来两个最常用的优化器。

在本文中，会向您展示几种不同的技术。帮助您开发可用于经典图像分类问题的算法：从图像中检测狗品种。并且在本文末，作者将为用户提供可以输入任何图像的代码，返回对不同狗品种的估计。此外，如果检测到人类，算法将提供最相似狗的品种的估计值。

ANN Visualizer是一个python库，它使我们能够使用一行代码就可视化人工神经网络。它和Keras一起工作，并利用python的graphviz库创建一个整洁和可视化的神经网络图。借助先进的深度学习，您现在可以直观地看到整个深度学习过程，或可以构建卷积神经网络。本文中，我们将使用keras构建简单的神经网络，然后使用ANN visualizer来可视化我们的神经网络。