趋近智
Julia机器学习 (machine learning)的相关知识已讲解完毕,接下来我们将学习Flux.jl。这个库是Julia中构建神经网络 (neural network)的主要工具。它的设计注重灵活性,并善用Julia的特性以实现高效计算,使其成为深度学习 (deep learning)项目的一个有力选项。
本章将带你了解Flux.jl的必要知识。你将学习如何使用它的主要组成部分来构建模型:层、链和激活函数 (activation function)。我们将讲解如何定义损失函数 (loss function)来衡量模型误差,以及优化器如何指导学习过程。Zygote.jl在为Flux提供自动微分方面起到的作用也将得到说明。本章最后将以构建和应用一个基本的神经网络作为总结,让你获得关于这些内容的实际操作经验。
2.1 Flux.jl:设计原则与架构
2.2 Flux.jl 基本构成:层、模型和链
2.3 定义简单的神经网络层
2.4 在 Flux 中使用激活函数
2.5 损失函数:衡量模型误差
2.6 优化器:引导学习过程
2.7 Zygote.jl:Flux中的自动微分
2.8 构建 Flux 中的基础神经网络
2.9 实践操作:使用 Flux 构建一个简单回归器