tensorflow-neural-networks

用途

该技能用于使用 TensorFlow 构建和训练神经网络，既覆盖 Keras 高级 API，也覆盖底层自定义实现。资料说明其范围从简单的顺序模型，到具有多输出、自定义层和高级训练技术的复杂自定义架构。

主要能力

资料中展示的能力包括：

• 使用 Keras Sequential API 以线性堆叠层的方式构建神经网络，例如 MNIST 图像分类示例。
• 构建卷积神经网络（CNN）用于图像分类，示例包括通用 CNN 模型函数和 CIFAR-10 CNN 架构。
• 通过继承 tf.keras.layers.Layer 创建可复用的自定义层，示例包括自定义 Dense 层、残差块（ResidualBlock）以及使用 TF NumPy 的自定义投影层（ProjectionLayer）。
• 通过继承 tf.keras.Model 构建复杂架构，示例包括多任务模型（MultiTaskModel）和三层神经网络模块（Model）。
• 循环神经网络相关实现，示例包括自定义 GRU 单元（GRUCell）、自定义 Dense 层实现以及顺序 RNN 模型（Model）。
• 训练配置，示例包括模型参数（词表大小、嵌入维度、RNN 单元数、批大小、缓冲区大小）以及 MNIST 训练常量。
• 训练后量化（Post-Training Quantization），示例加载 MNIST 数据集、归一化、定义模型架构、编译并训练。

使用方式

资料以代码示例形式展示使用方式，主要步骤包括：

1. 加载数据集，例如使用 keras.datasets.mnist.load_data() 加载 MNIST。
2. 预处理数据，例如将像素值归一化到 0 到 1 之间，并调整形状。
3. 构建模型，可使用 keras.Sequential 堆叠层，或通过继承 Layer / Model 自定义。
4. 编译模型，指定优化器、损失函数和评估指标，例如 model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])。
5. 训练模型，例如 model.fit(x_train, y_train, batch_size=32, epochs=5, validation_split=0.2, verbose=1)。
6. 评估与预测，例如 model.evaluate 和 model.predict。
7. 保存与加载模型，例如 model.save('mnist_model.h5') 和 keras.models.load_model('mnist_model.h5')。

适用场景

资料中“When to Use This Skill”列出以下场景：

• 使用 CNN 构建图像分类模型
• 使用 RNN 或 transformer 创建文本处理模型
• 为特定用例实现自定义层架构
• 设计具有共享表示的多任务学习模型
• 为表格数据训练顺序模型
• 实现残差连接或跳跃连接
• 为离散输入创建嵌入层
• 构建自编码器或生成模型
• 使用自定义头部微调预训练模型
• 在自定义架构中实现注意力机制
• 创建时间序列预测模型
• 设计强化学习策略网络
• 构建孪生网络（siamese networks）

限制

资料未提供关于收费、价格、平台支持范围、性能效果或具体使用步骤之外的额外限制说明，这些方面暂未提供。