Machine Learning Using TensorFlow APK

v1.0
1)Basic classification
2)Text classification
3)Save and restore models
4)Image Recognition
5)Retrain an Image

L'apprentissage automatique (ML) est l'étude scientifique d'algorithmes et de modèles statistiques que les systèmes informatiques utilisent pour améliorer progressivement leurs performances sur une tâche spécifique.

Ce didacticiel fournit diverses applications de ML utilisant TensorFlow.
 
TensorFlow ™ est une bibliothèque de logiciels open source pour le calcul numérique haute performance. Son architecture flexible permet un déploiement aisé des calculs sur diverses plates-formes (processeurs, GPU, TPU), des ordinateurs de bureau aux clusters de serveurs, en passant par les périphériques mobiles et périphériques. Développé à l’origine par les chercheurs et les ingénieurs de l’équipe Google Brain au sein de l’organisation d’intelligence artificielle de Google, il intègre un support puissant en matière d’apprentissage automatique et d’apprentissage approfondi. Le cœur de calcul flexible est utilisé dans de nombreux autres domaines scientifiques.

Ce tutoriel fournit les applications suivantes:
1) Classification de base
Ce guide forme un modèle de réseau de neurones pour classer les images de vêtements, telles que les baskets et les chemises.

2) Classification du texte
Cette application classe les critiques de films comme positives ou négatives en utilisant le texte de la critique.

3) Sauvegarder et restaurer des modèles
Les progrès du modèle peuvent être enregistrés pendant et après la formation. Cela signifie qu'un modèle peut reprendre là où il s'est arrêté et éviter des temps de formation longs. Cette application explique comment enregistrer et restaurer un modèle.

4) reconnaissance d'image
Ce tutoriel va vous apprendre à utiliser Inception-v3. Vous apprendrez à classer les images dans 1 000 classes en Python.

5) recycler une image
Dans ce didacticiel, nous allons réutiliser les fonctionnalités d’extraction de caractéristiques de puissants classificateurs d’image formés sur ImageNet et former simplement une nouvelle couche de classification par le haut.