Data Science da zero, seconda edizione

Capitolo 19. Deep Learning

Questo lavoro è stato tradotto utilizzando l'AI. Siamo lieti di ricevere il tuo feedback e i tuoi commenti: [e-mail]

Un po' di apprendimento è una cosa pericolosa; bevi a fondo, o non assaporare la sorgente pieriana.

Alexander Pope

In origine, si riferiva all'applicazione di reti neurali "profonde" (cioè reti con più di uno strato nascosto), anche se in pratica il termine comprende un'ampia varietà di architetture neurali (comprese le reti neurali "semplici" che abbiamo sviluppato nel Capitolo 18).

In questo capitolo ci baseremo sul nostro lavoro precedente per analizzare una più ampia varietà di reti neurali. Per farlo, introdurremo una serie di astrazioni che ci permetteranno di pensare alle reti neurali in modo più generale.

Il tensore

In precedenza, su abbiamo fatto una distinzione tra vettori (array monodimensionali) e matrici (array bidimensionali). Quando inizieremo a lavorare con reti neurali più complicate, dovremo utilizzare anche array di dimensioni maggiori.

In molte librerie di reti neurali, gli array n-dimensionali vengono chiamati tensori, come li chiameremo anche noi. (Ci sono ragioni matematiche pedanti per non riferirsi agli array n-dimensionali come tensori; se sei un pedante, la tua obiezione è nota).

Se dovessi scrivere un intero libro sul deep learning, implementerei una classe Tensor completa di tutte le funzionalità che sovraccarichi gli operatori aritmetici di Python e che possa gestire una serie di ...