世界充满了噪声和不确定性。概率深度学习模型可对这些噪声和不确定性进行建模,并将所建的模型应用于现实世界,帮助深度学习工程师评估其结果的准确性、发现错误,并加深他们对算法工作原理的理解。这对自动驾驶汽车和科学测试来说至关重要。
《概率深度学习使用Python、 Keras和TensorFlow Probability》 是关于神经网络原理的实践指南,引导读者学习使用不同数据类型的正确分布来提升网络性能,同时推导贝叶斯变体,以通过表达模型自身的不确定性来提高准确性。本书采用了主流的实现框架,提供了易于应用的代码,让读者更加注重实际应用。
主要内容
●探索深度学习的**似然原理和统计学基础
●发现能输出各种可能结果的概率模型
●学习使用标准化流来建模和生成复杂分布
●使用贝叶斯神经网络获取模型中的不确定性