A New Programming Paradigm
參考：Ubuntu 16 安裝TensorFlow及Jupyter notebook 安裝TensorFlow。
本篇博客翻譯來自 Introduction to TensorFlow for Artificial Intelligence, Machine Learning, and Deep Learning
僅供學習、交流等非盈利性質使用！！！
1. 神經網絡的“Hello World”
給定如下的一組數字，如何擬合？
X = -1, 0 ,1 ,2 , 3, 4
Y = -3, -1,1 ,3 , 5, 7
如果用神經網絡的方式該如何解決？
神經網絡的解決方案是這樣子的：
① 抽選一個擬合函數來對所有數據進行擬合；
② 使用損失函數來判讀這次擬合的好壞；
③ 同時使用優化器來修改擬合函數，再次擬合；
④ 重複上面的步驟到指定次數，或收斂。
上面步驟的具體代碼過程如下：
- 定義模型
model = keras.Sequential([keras.layers.Dense(units=1,input_shape=[1])])
- keras.layers.Dense :定義一層神經網絡；
- units： 這層神經網絡中神經元的個數，如上面代碼中，只有一個神經元；
- input_shape：說明輸入的數據的維度；
- keras.Sequential : 定義一個線性模型；
- 定義損失函數
model.compile(optimizer='sgd', loss='mean_squared_error')
損失函數就是指的是這次擬合的效果好壞，比如應用這次擬合後，預測值和真實值一點也不差，那麼就說明擬合比較好。
- 設置輸入、輸出
xs = np.array([-1, 0 ,1 ,2 , 3, 4] , dtype = float)
ys = np.array([-3, -1,1 ,3 , 5, 7] , dtype = float)
- 擬合參數
model.fit(xs, ys, epochs = 500)
調用模型的fit函數即可來擬合模型的參數，而epochs則指的是擬合多少次。設置500次後，進行擬合，可以得到下面的結果：
Epoch 1/500
6/6 [==============================] - 1s 101ms/sample - loss: 60.8370
Epoch 2/500
6/6 [==============================] - 0s 501us/sample - loss: 48.2978
...
Epoch 499/500
6/6 [==============================] - 0s 451us/sample - loss: 7.3124e-05
Epoch 500/500
6/6 [==============================] - 0s 518us/sample - loss: 7.1621e-05
可以看到，最後擬合誤差已經非常接近 0 了。
- 預測新數據：
print(model.predict([10.0]))
[[18.97531]]
從預測結果來看結果非常接近19（如果用2x-1 = y 來擬合的話，結果就是19）。
所以結果不是19的理由是：
- 訓練數據非常少，僅有6組數據；
- 10的預測結果有很大可能是19，但是神經網絡並不能夠確定，所以這裏給出了一個概率值。
拓展： From rules to data
說的就是：之前的給定一個規則和輸入數據，然後就可以推測出新的數據的結果。而現在是給定輸入輸出數據，然後讓神經網絡模型訓練，訓練後，給新的輸入即可得到輸出，這就是和之前的不同。
2. Quiz:
- 第 1 個問題
The diagram for traditional programming had Rules and Data In, but what came out?
- Binary
- Machine Learning
- Bugs
- Answers
- 第 2 個問題
The diagram for Machine Learning had Answers and Data In, but what came out?
- Rules
- Models
- Binary
- Bugs
- 第 3 個問題
When I tell a computer what the data represents (i.e. this data is for walking, this data is for running), what is that process called?
- Labelling the Data
- Categorizing the Data
- Programming the Data
- Learning the Data
- 第 4 個問題
What is a Dense?
- A layer of disconnected neurons
- Mass over Volume
- A single neuron
- A layer of connected neurons
- 第 5 個問題
What does a Loss function do?
- Figures out if you win or lose
- Generates a guess
- Decides to stop training a neural network
- Measures how good the current ‘guess’ is
- 第 6 個問題
What does the optimizer do?
- Generates a new and improved guess
- Measures how good the current guess is
- Decides to stop training a neural network
- Figures out how to efficiently compile your code
- 第 7 個問題
What is Convergence?
- The process of getting very close to the correct answer
- A programming API for AI
- A dramatic increase in loss
- The bad guys in the next ‘Star Wars’ movie
- 第 8 個問題
What does model.fit do?
- It makes a model fit available memory
- It optimizes an existing model
- It trains the neural network to fit one set of values to another
- It determines if your activity is good for your body
My guess:
1. D
2. A
3. D
4. D
5. D
6. A
7. A
8. C
3. Excise
房屋價格預測：一般來說，一個房子需要花費50k+50k，通常50K是底價，然後每加1間房，增加50K，所以1間房一般花費100k，2間房花費150k，以此類推。
那麼如果7間房，耗費多少呢？接近400K麼？
Hints：100K可以只使用1來代替。
import tensorflow as tf
import numpy as np
from tensorflow import keras
model = # Your Code Here#
model.compile(# Your Code Here#)
xs = # Your Code Here#
ys = # Your Code Here#
model.fit(# Your Code here#)
print(model.predict([7.0]))
The Answers: excise answer.