2. 程式人生 > >如何基於spark做深度學習：從ML到keras、Elephas

如何基於spark做深度學習：從ML到keras、Elephas

阿新 • • 發佈：2019-01-03

http://blog.csdn.net/Richard_More/article/details/53215142

Elephas的網址：https://github.com/maxpumperla/elephas

分散式深層神經網路的Spark ML模型管線

該筆記本描述瞭如何使用Spark ML為分散式版本的Keras深度學習模型構建機器學習流水線。作為資料集，我們使用來自Kaggle的Otto產品分類挑戰。我們選擇這個資料的原因是它很小，結構非常好。這樣，我們可以更多地關注技術元件，而不是進行復雜的處理。此外，具有較慢硬體或沒有完整的Spark群集的使用者應該能夠在本地執行此示例，並且仍然會了解有關分散式模式的許多內容。

通常，模型訓練不需要分配計算，而是建立資料流水線，即攝入，轉換等。在訓練中，深層神經網路往往在一臺機器上的一個或多個GPU上做得相當好。大多數情況下，使用梯度下降方法，您將一個接一個地處理。即使如此，使用像Spark這樣的框架也可能有益於將您的模型與您的周邊基礎架構相整合。除此之外，Spark ML管道提供的便利性非常有價值（在語法上非常接近你所知道的scikit-learn）。

TL; DR：我們將展示如何使用分散式深層神經網路和Spark ML管道來解決分類問題，這個例子基本上是這裡發現的分散式版本。

使用這個筆記本

當我們要使用elephas時，您將需要訪問正在執行的Spark上下文才能執行此筆記本。

如果您還沒有，請按照本文提供的說明在本地安裝Spark 。確保還匯出SPARK_HOME到您的路徑並啟動您的ipython / jupyter筆記本如下：

IPYTHON_OPTS="notebook" ${SPARK_HOME}/bin/pyspark --driver-memory 4G elephas/examples/Spark_ML_Pipeline.ipynb
  • 1
  • 1

要測試您的環境，請嘗試列印Spark上下文（提供sc），即執行以下單元格。

from __future__ import print_function
print(sc)
  • 1
  • 2
  • 1
  • 2
<pyspark.context.SparkContext object at 0x1132d61d0>

奧托產品分類資料

培訓和測試資料在這裡可用。繼續下載資料。檢查它，您將看到提供的csv檔案包含一個id列，93個整數特徵列。train.csv有一個額外的標籤欄，test.csv缺少。挑戰是準確預測測試標籤。對於本筆記本的其餘部分，我們將假設儲存資料data_path，您應根據需要修改下面的資料。

data_path = "./" # <-- Make sure to adapt this to where your csv files are.
  • 1
  • 1

載入資料比較簡單，但是我們要照顧幾件事情。首先，雖然你可以洗牌RDD，但通常不是很有效率。但是由於資料train.csv按類別排序，所以我們必須洗牌才能使模型執行良好。這是shuffle_csv下面的功能。接下來，我們用明文讀入load_data_rdd，以逗號分割，並將要素轉換為浮點型向量。另外請注意，最後一列train.csv表示具有Class_字首的類別。

定義資料幀

Spark有一些核心的資料結構，其中包括data frame，這是一個分散式版本的命名列資料結構，現在很多都是來自R或熊貓。我們需要一個所謂的SQLContext和可選的列到名稱對映來建立從頭開始的資料框架。

from pyspark.sql import SQLContext
from pyspark.mllib.linalg import Vectors
import numpy as np
import random

sql_context = SQLContext(sc)

def shuffle_csv(csv_file):
    lines = open(csv_file).readlines()
    random.shuffle(lines)
    open(csv_file, 'w').writelines(lines)

def load_data_frame(csv_file, shuffle=True, train=True):
    if shuffle:
        shuffle_csv(csv_file)
    data = sc.textFile(data_path + csv_file) # This is an RDD, which will later be transformed to a data frame
    data = data.filter(lambda x:x.split(',')[0] != 'id').map(lambda line: line.split(','))
    if train:
        data = data.map(
            lambda line: (Vectors.dense(np.asarray(line[1:-1]).astype(np.float32)),
                          str(line[-1])) )
    else:
        # Test data gets dummy labels. We need the same structure as in Train data
        data = data.map( lambda line: (Vectors.dense(np.asarray(line[1:]).astype(np.float32)),"Class_1") ) 
    return sqlContext.createDataFrame(data, ['features', 'category'])
  • 1
  • 2
  • 3
  • 4
  • 五
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 1
  • 2
  • 3
  • 4
  • 五
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26

我們載入訓練和測試資料，並使用方便的show方法列印幾行資料。

train_df = load_data_frame("train.csv")
test_df = load_data_frame("test.csv", shuffle=False, train=False) # No need to shuffle test data

print("Train data frame:")
train_df.show(10)

print("Test data frame (note the dummy category):")
test_df.show(10)
  • 1
  • 2
  • 3
  • 4
  • 五
  • 6
  • 7
  • 8
  • 1
  • 2
  • 3
  • 4
  • 五
  • 6
  • 7
  • 8
Train data frame:
+--------------------+--------+
|            features|category|
+--------------------+--------+
|[0.0,0.0,0.0,0.0,...| Class_8|
|[0.0,0.0,0.0,0.0,...| Class_8|
|[0.0,0.0,0.0,0.0,...| Class_2|
|[0.0,1.0,0.0,1.0,...| Class_6|
|[0.0,0.0,0.0,0.0,...| Class_9|
|[0.0,0.0,0.0,0.0,...| Class_2|
|[0.0,0.0,0.0,0.0,...| Class_2|
|[0.0,0.0,0.0,0.0,...| Class_3|
|[0.0,0.0,4.0,0.0,...| Class_8|
|[0.0,0.0,0.0,0.0,...| Class_7|
+--------------------+--------+
only showing top 10 rows

Test data frame (note the dummy category):
+--------------------+--------+
|            features|category|
+--------------------+--------+
|[1.0,0.0,0.0,1.0,...| Class_1|
|[0.0,1.0,13.0,1.0...| Class_1|
|[0.0,0.0,1.0,1.0,...| Class_1|
|[0.0,0.0,0.0,0.0,...| Class_1|
|[2.0,0.0,5.0,1.0,...| Class_1|
|[0.0,0.0,0.0,0.0,...| Class_1|
|[0.0,0.0,0.0,0.0,...| Class_1|
|[0.0,0.0,0.0,1.0,...| Class_1|
|[0.0,0.0,0.0,0.0,...| Class_1|
|[0.0,0.0,0.0,0.0,...| Class_1|
+--------------------+--------+
only showing top 10 rows

預處理：定義變壓器

到目前為止，我們基本上只讀原始資料。幸運的是，Spark ML有很多預處理功能可用，所以我們唯一要做的就是定義資料幀的轉換。

要繼續，我們將首先將類別字串轉換為雙精度值。這是由一個所謂的StringIndexer。請注意，我們已經在這裡進行了實際的轉型，但這只是為了演示的目的。我們真正需要的是太多的定義，string_indexer以便稍後再進行管理。

from pyspark.ml.feature import StringIndexer

string_indexer = StringIndexer(inputCol="category", outputCol="index_category")
fitted_indexer = string_indexer.fit(train_df)
indexed_df = fitted_indexer.transform(train_df)
  • 1
  • 2
  • 3
  • 4
  • 五
  • 1
  • 2
  • 3
  • 4
  • 五

接下來，將功能規範化，這是一個很好的做法StandardScaler。

from pyspark.ml.feature import StandardScaler

scaler = StandardScaler(inputCol="features", outputCol="scaled_features", withStd=True, withMean=True)
fitted_scaler = scaler.fit(indexed_df)
scaled_df = fitted_scaler.transform(indexed_df)
  • 1
  • 2
  • 3
  • 4
  • 五
  • 1
  • 2
  • 3
  • 4
  • 五
print("The result of indexing and scaling. Each transformation adds new columns to the data frame:")
scaled_df.show(10)
  • 1
  • 2
  • 1
  • 2
The result of indexing and scaling. Each transformation adds new columns to the data frame:
+--------------------+--------+--------------+--------------------+
|            features|category|index_category|     scaled_features|
+--------------------+--------+--------------+--------------------+
|[0.0,0.0,0.0,0.0,...| Class_8|           2.0|[-0.2535060296260...|
|[0.0,0.0,0.0,0.0,...| Class_8|           2.0|[-0.2535060296260...|
|[0.0,0.0,0.0,0.0,...| Class_2|           0.0|[-0.2535060296260...|
|[0.0,1.0,0.0,1.0,...| Class_6|           1.0|[-0.2535060296260...|
|[0.0,0.0,0.0,0.0,...| Class_9|           4.0|[-0.2535060296260...|
|[0.0,0.0,0.0,0.0,...| Class_2|           0.0|[-0.2535060296260...|
|[0.0,0.0,0.0,0.0,...| Class_2|           0.0|[-0.2535060296260...|
|[0.0,0.0,0.0,0.0,...| Class_3|           3.0|[-0.2535060296260...|
|[0.0,0.0,4.0,0.0,...| Class_8|           2.0|[-0.2535060296260...|
|[0.0,0.0,0.0,0.0,...| Class_7|           5.0|[-0.2535060296260...|
+--------------------+--------+--------------+--------------------+
only showing top 10 rows

Keras深度學習模式

現在我們有一個具有處理特徵和標籤的資料框架，我們定義一個深層神經網路，我們可以使用它來解決分類問題。你有機會來這裡，因為你知道一兩件關於深入學習的東西。如果是這樣，下面的模型看起來很簡單。我們通過選擇一組三個連續的密集層來建立一個keras模型，其中包含退出和ReLU啟用。對於這個問題肯定有更好的架構，但是我們只是想在這裡展示一般的流程。

from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation
from keras.utils import np_utils, generic_utils

nb_classes = train_df.select("category").distinct().count()
input_dim = len(train_df.select("features").first()[0])

model = Sequential()
model.add(Dense(512, input_shape=(input_dim,)))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(512))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(512))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(nb_classes))
model.add(Activation('softmax'))

model.compile(loss='categorical_crossentropy', optimizer='adam')
  • 1
  • 2
  • 3
  • 4
  • 五
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 1
  • 2
  • 3
  • 4
  • 五
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21

分散式Elephas模型

為了將上述Keras提升model到Spark，我們定義了一個Estimator。一個Estimator是，仍然有被訓練模型的星火的化身。它本質上只有一個（必需）的方法，即fit。一旦我們呼叫fit了資料框架，我們就回到了一個Model，這是一個訓練有素的模型，transform用來預測標籤的方法。

我們通過初始化ElephasEstimator和設定一些屬性來實現。到目前為止，我們的輸入資料框架將有很多列，我們必須通過列名告訴模型在哪裡查詢功能和標籤。然後我們提供Keras模型和Elephas優化器的序列化版本。我們不能直接插入keras模型Estimator，因為Spark將不得不將其序列化為與工作人員的溝通，所以最好自己提供序列化。事實上，雖然pyspark知道如何序列化model，但它是非常低效的，如果模型變得太大，可能會破裂。Spark ML對引數特別挑剔（正確地），或多或少地禁止您提供後者的非原子型別和陣列。大多數剩餘的引數是可選的，而且是自我解釋的。加，許多人，你知道如果你以前曾經執行過克拉斯模型。我們只是將他們包括在內，以顯示全套培訓配置。

from elephas.ml_model import ElephasEstimator
from elephas import optimizers as elephas_optimizers

# Define elephas optimizer (which tells the model how to aggregate updates on the Spark master)
adadelta = elephas_optimizers.Adadelta()

# Initialize SparkML Estimator and set all relevant properties
estimator = ElephasEstimator()
estimator.setFeaturesCol("scaled_features")             # These two come directly from pyspark,
estimator.setLabelCol("index_category")                 # hence the camel case. Sorry :)
estimator.set_keras_model_config(model.to_yaml())       # Provide serialized Keras model
estimator.set_optimizer_config(adadelta.get_config())   # Provide serialized Elephas optimizer
estimator.set_categorical_labels(True)
estimator.set_nb_classes(nb_classes)
estimator.set_num_workers(1)  # We just use one worker here. Feel free to adapt it.
estimator.set_nb_epoch(20) 
estimator.set_batch_size(128)
estimator.set_verbosity(1)
estimator.set_validation_split(0.15)
  • 1
  • 2
  • 3
  • 4
  • 五
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 1
  • 2
  • 3
  • 4
  • 五
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
ElephasEstimator_415398ab22cb1699f794

SparkML管道

現在的簡單部分：定義管道真的像列出流水線階段一樣簡單。我們可以提供Transformers和Estimators真正的任何配置，但是這裡我們只需要先前定義的三個元件。請注意，string_indexer並scaler和互換，而estimator有些明明已經來到最後的管道。

from pyspark.ml import Pipeline

pipeline = Pipeline(stages=[string_indexer, scaler, estimator])
  • 1
  • 2
  • 3
  • 1
  • 2
  • 3

安裝和評估管道

現在的最後一步是適應管道的培訓資料和評估。我們對訓練資料進行評估，即轉換，因為只有在這種情況下，我們有標籤來檢查模型的準確性。如果你喜歡，你也可以改造test_df。

from pyspark.mllib.evaluation import MulticlassMetrics

fitted_pipeline = pipeline.fit(train_df) # Fit model to data

prediction = fitted_pipeline.transform(train_df) # Evaluate on train data.
# prediction = fitted_pipeline.transform(test_df) # <-- The same code evaluates test data.
pnl = prediction.select("index_category", "prediction")
pnl.show(100)

prediction_and_label = pnl.map(lambda row: (row.index_category, row.prediction))
metrics = MulticlassMetrics(prediction_and_label)
print(metrics.precision())
  • 1
  • 2
  • 3
  • 4
  • 五
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 1
  • 2
  • 3
  • 4
  • 五
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
61878/61878 [==============================] - 0s     
+--------------+----------+
|index_category|prediction|
+--------------+----------+
|           2.0|       2.0|
|           2.0|       2.0|
|           0.0|       0.0|
|           1.0|       1.0|
|           4.0|       4.0|
|           0.0|       0.0|
|           0.0|       0.0|
|           3.0|       3.0|
|           2.0|       2.0|
|           5.0|       0.0|
|           0.0|       0.0|
|           4.0|       4.0|
|           0.0|       0.0|
|           4.0|       1.0|
|           2.0|       2.0|
|           1.0|       1.0|
|           0.0|       0.0|
|           6.0|       0.0|
|           2.0|       2.0|
|           1.0|       1.0|
|           2.0|       2.0|
|           8.0|       8.0|
|           1.0|       1.0|
|           5.0|       0.0|
|           0.0|       0.0|
|           0.0|       3.0|
|           0.0|       0.0|
|           1.0|       1.0|
|           4.0|       4.0|
|           2.0|       2.0|
|           0.0|       3.0|
|           3.0|       3.0|
|           0.0|       0.0|
|           3.0|       0.0|
|           1.0|       5.0|
|           3.0|       3.0|
|           2.0|       2.0|
|           1.0|       1.0|
|           0.0|       0.0|
|           2.0|       2.0|
|           2.0|       2.0|
|           1.0|       1.0|
|           6.0|       6.0|
|           1.0|       1.0|
|           0.0|       3.0|
|           7.0|       0.0|
|           0.0|       0.0|
|           0.0|       0.0|
|           1.0|       1.0|
|           1.0|       1.0|
|           6.0|       6.0|
|           0.0|       0.0|
|           0.0|       3.0|
|           2.0|       2.0|
|           0.0|       0.0|
|           2.0|       2.0|
|           0.0|       0.0|
|           4.0|       4.0|
|           0.0|       0.0|
|           6.0|       6.0|
|           2.0|       5.0|
|           0.0|       3.0|
|           3.0|       0.0|
|           0.0|       0.0|
|           3.0|       3.0|
|           4.0|       4.0|
|           0.0|       3.0|
|           0.0|       0.0|
|           0.0|       0.0|
|           4.0|       4.0|
|           3.0|       0.0|
|           2.0|       2.0|
|           1.0|       1.0|
|           7.0|       7.0|
|           0.0|       0.0|
|           0.0|       0.0|
|           0.0|       3.0|
|           1.0|       1.0|
|           1.0|       1.0|
|           5.0|       4.0|
|           1.0|       1.0|
|           1.0|       1.0|
|           4.0|       4.0|
|           3.0|       3.0|
|           0.0|       0.0|
|           2.0|       2.0|
|           4.0|       4.0|
|           7.0|       7.0|
|           2.0|       2.0|
|           0.0|       0.0|
|           1.0|       1.0|
|           0.0|       0.0|
|           4.0|       4.0|
|           1.0|       1.0|
|           0.0|       0.0|
|           0.0|       0.0|
|           0.0|       0.0|
|           0.0|       3.0|
|           0.0|       3.0|
|           0.0|       0.0|
+--------------+----------+
only showing top 100 rows

0.764132648114

結論

當然，需要一些時間掌握Keras和Spark的原理和語法，這取決於您來自哪裡。然而，我們也希望您得出結論，一旦您超越了定義模型和預處理資料的艱鉅階段，構建和使用SparkML流水線的業務是非常優雅和有用的。

如果您喜歡您所看到的，請考慮進一步改善對Ceras或Spark的影響。你對這款膝上型電腦有什麼建設性的意見嗎？有什麼要我澄清嗎？無論如何，請隨時與我聯絡。

相關推薦

如何基於spark做深度學習：從ML到keras、Elephas

http://blog.csdn.net/Richard_More/article/details/53215142 Elephas的網址：https://github.com/maxpumperla/elephas 分散式深層神經網路的Spark ML模型管線 該筆

####好好好好好#####如何基於Spark做深度學習：從Mllib到keras，elephas

Spark ML model pipelines on Distributed Deep Neural NetsThis notebook describes how to build machine learning pipelines with Spark ML for

如何基於Spark做深度學習：從Mllib到keras，elephas

Spark ML model pipelines on Distributed Deep Neural Nets This notebook describes how to build machine learning pipelines with Spar

深度學習：從MLP到樸素的神經網路

文章目錄 神經網路都幹了些什麼？ 分類的理解： 從這個角度再看神經網路： 神經網路實現： 求∂L/∂w1,∂L/∂w2： 實現程式碼： 測試程式碼： 神經網路都幹了些什麼？

一文讀懂深度學習：從神經元到BERT

阿里妹導讀：自然語言處理領域的殿堂標誌 BERT 並非橫空出世，背後有它的發展原理。今天，螞蟻金服財富對話演算法團隊整理對比

21個專案玩轉深度學習：基於TensorFlow的實踐詳解03—打造自己的影象識別模型

書籍原始碼：https://github.com/hzy46/Deep-Learning-21-Examples CNN的發展已經很多了，ImageNet引發的一系列方法，LeNet，GoogLeNet，VGGNet，ResNet每個方法都有很多版本的衍生，tensorflow中帶有封裝好各方法和網路的函式

分享《21個項目玩轉深度學習：基於TensorFlow的實踐詳解》PDF+源代碼

更多 技術分享 書籍 詳解 http alt ges text process 下載：https://pan.baidu.com/s/19GwZ9X2E20L3BykhoxhjTg 更多資料：http://blog.51cto.com/3215120 《21個項目玩轉深度學

《21個專案玩轉深度學習：基於TensorFlow的實踐詳解》PDF+原始碼下載

1.本書以TensorFlow為工具，從基礎的MNIST手寫體識別開始，介紹了基礎的卷積神經網路、迴圈神經網路，還包括正處於前沿的對抗生成網路、深度強化學習等課題,程式碼基於TensorFlow 1.4.0 及以上版本。 2.書中所有內容由21個可以動手實驗的專案組織起來，並在其中穿插Te

《21個專案玩轉深度學習：基於TensorFlow的實踐詳解》

下載：https://pan.baidu.com/s/1NYYpsxbWBvMn9U7jvj6XSw更多資料：http://blog.51cto.com/3215120《21個專案玩轉深度學習：基於TensorFlow的實踐詳解》PDF+原始碼PDF，378頁，帶書籤目錄，文字可以複製。配套原始碼。深度學習經

《21個項目玩轉深度學習：基於TensorFlow的實踐詳解》

源代碼 .com 實踐詳解 項目 term vpd 更多 mage mar 下載：https://pan.baidu.com/s/1NYYpsxbWBvMn9U7jvj6XSw更多資料：http://blog.51cto.com/3215120《21個項目玩轉深度學習：基於

分享《21個項目玩轉深度學習：基於TensorFlow的實踐詳解》+PDF+源碼+何之源

技術 -o 詳解 aid mar ref com 經典 baidu 下載：https://pan.baidu.com/s/1U0B5v5844JMvsGJ22Fjk_Q 更多資料：http://blog.51cto.com/14087171 《21個項目玩轉深度學習：基於T

分享《Keras快速上手：基於Python的深度學習實戰》+PDF+謝樑

下載：https://pan.baidu.com/s/1AssHJf6RTWF2EjUlV6hTyw 更多資料分享：http://blog.51cto.com/14087171 《Keras快速上手：基於Python的深度學習實戰》高清PDF，531頁，帶書籤目錄，文字可以複製。 這是一本少見的深入淺出

分享《Keras快速上手：基於Python的深度學習實戰》+PDF+謝梁

深度學習 oss 抽象 image 高清 ddc 參考 ESS img 下載：https://pan.baidu.com/s/1AssHJf6RTWF2EjUlV6hTyw 更多資料分享：http://blog.51cto.com/14087171 《Keras快速上手：基

《21個項目玩轉深度學習：基於TensorFlow的實踐詳解》PDF+源代碼

經典 img bubuko 實踐詳解 復制 玩轉 項目 itl log 下載：https://pan.baidu.com/s/1NYYpsxbWBvMn9U7jvj6XSw 更多資料：https://pan.baidu.com/s/1g4hv05UZ_w92uh9NNNkC

大資料框架學習：從 Hadoop 到 Spark

Hadoop 1. Hadoop是什麼 Hadoop軟體庫是一個利用簡單的程式設計模型在大量計算機叢集上對大型資料集進行分散式處理的框架。 特點：部署成本低、擴充套件方便、程式設計模型簡單。 Hadoop 實現了在行業標準的伺服器上進行可靠、可縮放的分散式計算，讓你能夠以較低

分享《Keras快速上手：基於Python的深度學習實戰(謝樑等)》PDF版+原始碼+mobi版

下載：https://pan.baidu.com/s/1u0gYCTbT1I2rq88AFDV3Mg 更多資料：http://blog.51cto.com/14050756 PDF版，531頁，帶書籤目錄，彩色配圖，文字可以複製貼上。配套原始碼和資料。 系統地講解了深度學習的基本知識、建模過程和應用，並

分享《Keras快速上手：基於Python的深度學習實戰(謝梁等)》PDF版+源代碼+mobi版

href img 復制粘貼 推薦 term python 技術 roc 自然 下載：https://pan.baidu.com/s/1u0gYCTbT1I2rq88AFDV3Mg 更多資料：http://blog.51cto.com/14050756 PDF版，531頁，帶

《Keras快速上手：基於Python的深度學習實戰(謝樑等)》PDF版+原始碼+mobi版

下載： https://pan.baidu.com/s/1u0gYCTbT1I2rq88AFDV3Mg 更多分享資料： https://pan.baidu.com/s/1g4hv05UZ_w92uh9NNNkCaA   PDF版，531頁，帶書籤目錄，彩色配圖，文字可

分享《Keras快速上手：基於Python的深度學習實戰-謝樑》高清版PDF免費下載

2018-11-29 15:27:13 百度網盤下載：https://pan.baidu.com/s/1FsmtI2JqzsWPPc9Ev8iXww 《Keras快速上手：基於Python的深度學習實戰》高清PDF，531頁，帶書籤目錄，文字可以複製。 這是一本少見的深入淺出介紹深度學習的入門書籍。

人人都可以做深度學習應用：入門篇

一、人工智慧和新科技革命 2017年圍棋界發生了一件比較重要事，Master（Alphago）以60連勝橫掃天下，擊敗各路世界冠軍，人工智慧以氣勢如虹的姿態出現在我們人類的面前。圍棋曾經一度被稱為“人類智慧的堡壘”，如今，這座堡壘也隨之成為過去。從2016年三月份