目录
1. 什么是Tensorflow.js?
-
TensorFlow.js是机器学习(Machine Learning)TensorFlow框架的JavaScript版本;
-
通过TensorFlow.js，可以让浏览器也进行机器学习；
-
Tensorflow.js的应用场景有：你猜我画，淘宝美妆，图片识别，语音识别等等；
再不赶紧学，就追不上时代的步伐了啊！！！
2. 什么是机器学习？
- 机器学习是对能通过经验自动改进的计算机算法的研究
- 机器学习是用数据或以往的经验，以此优化计算机程序的性能标准
举例：线性回归
根据图中这些圆点的位置(x,y)，用一条线近似表示；
比如，青少年的身高体重比例，来判断你是正常/肥胖/偏瘦
举例：逻辑回归
下图有蓝色的点和黄色的点，我们通过它们的位置，画出一条线，将它们大致分开；
后面给出一个新的点，我们就可以大致判断它是蓝色的点还是黄色的点；
举例：图片分类
我们准备大量不同类型的图片，让机器去学习它们的特征；
然后给机器一张图片，它就可以根据图片的特征来判断它最有可能是什么类型的图片；
举例：语音识别
给机器各种声音数据和它们的标签，让机器去学习它们的特征；
例如：苹果的语音助手Siri
3. 为什么要用机器学习？
- 有些棘手的问题只能用机器学习，无法通过传统的编程方法来解决
- 获取数据比编写规则更加容易
- GPU等计算能力的显著提升（机器学习会消耗大量的计算）
4. 机器学习如何运作？
- 神经网络算法（能解决大部分问题）
- 决策树，支持向量机，贝叶斯分类器，强化学习等等
5. 什么是神经网络？
这里的神经网络，肯定不是指脑袋里的神经网络，而是人工神经网络
人工神经网络（Artificial Neural Network，ANN）简称神经网络(NN)，是基于生物学中神经网络的基本原理，在理解和抽象了人脑结构和外界刺激响应机制后，以网络拓扑知识为理论基础，模拟人脑的神经系统对复杂信息的处理机制的一种数学模型。
神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称为激活函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重（weight），神经网络就是通过这种方式来模拟人类的记忆。
举例：相亲
上图所示：
- 形象对于‘学历/家境/五官/身材’有相应的权重值；
- ‘学历/家境/五官/身材’ X 相应的权重值 = 形象值
- ‘形象/品质/有趣/财富’ X 相应的权重值 = 满意度
当然，神经网络不可能会是这么简单的；它还要处理很多问题；
- 每个人的眼光高低不同，小白给小红打10分，小绿却给小红打1分；（偏置）
- 有些人认为，学历只要在本科及以上，就没什么差别了，都可以；（非线性变化）
- 有些人认为，形象得分越高越好；有些人认为形象太好了，可能把时间都花在了形象上，学习的时间就少了，内涵就会差一点或者是安全感变低了，因此形象太高反而减分；（激活函数做一些非线性变化）
大致流程如下：
神经元会让上一层的输入乘上各自的权重，然后相加，再加上偏置，得出来的值经过激活函数算一遍，然后得到输出；
总结：
- 每个神经元里存储着若干权重（weight）,偏置（bias）,和一个激活函数（activation）
- 输入乘上权重加上偏置，经过激活函数得到输出
- 激活函数用于添加一些非线性变化
- 神经网络通常包括一个输入层，若干隐藏层，一个输出层
- 输入层通常不用于计算神经网络的层数
6. 什么是神经网络的训练？
- 给大量的输入和输出，算出神经网络里所有神经元的权重和偏置；然后给定新的输入，即可以算出新的输出；
- 在机器学习里，输入输出被称为特征和标签，大量输入输出被称为训练集；
7. 如何训练神经网络？
- 初始化：随机生成一些权重和偏置；
- 计算损失：给定特征，计算出标签，得到它与真实标签相差多少；
- 优化：微调权重和偏置，使损失变小；
- 不断重复2,3；使损失变为最小；
前向传播与反向传播：
- 前向传播：将训练数据的特征送入网络，得到标签；
- 反向传播：计算损失并优化 （微积分里的链式法则）
简单的理解：为什么要先调整最后一层的参数，因为如果你要调整倒数第二层的参数，你就需要知道倒数第一层的参数往哪个方向才是正确的；例如：调整了最后一层的参数，才能大概知道小明是喜欢有钱的还是形象好的，知道了最后一层的方向，才能调整倒数第二层的参数；
如何计算损失？
- 使用损失函数（均方误差，对数损失，交叉熵等等）
如何优化？
- 使用优化器 （随机梯度下降，Adam等等）
so,不要慌，调用第三方库使用就行了，大佬们已经把工具写出来了~
