TensorFlow 基礎系列
學習目的
瞭解機器學習的一些基礎功能，一些基礎用法，然後在我們的實際工作中創造出更多的火花。
環境準備
環境話有很多，我在學習的這個慕課的實驗室、谷歌實驗室。還有騰訊實驗室都可以用來做，也非常方便，本地環境搭建也是非常的方便，但是在訓練數據多的時候，那就非常的慢。
這些實驗室提供強大的算力，最主要的還是免費。
-
https://ot.icourse163.org/#/lab -
https://colab.research.google.com/notebooks/intro.ipynb
實例
定義神經網絡的框架叫做keras，它將神經元網絡模型定義爲一組Sequential層。Keras庫也需要導入。
然後我們導入一個名爲numpy的庫，它可以幫助我們方便快捷地將數據表示爲列表。
在編譯神經網絡時，我們必須指定2個函數：一個損失函數和一個優化器。
如果我們讀過很多有關機器學習的數學理論，這裏通常是用到它們的地方。但Tensorflow將這些數學很好地封裝在函數中供我們使用。那麼這個程序裏到底發生了什麼？我們來看一下：
我們知道，在上面的函數中，兩組數字之間的關係其實是y=2x-1。當計算機試圖 "學習 "這個映射關係時，它猜測......也許y=10x+10。LOSS（損失）函數將猜測的答案與已知的正確答案進行比較，並衡量偏差程度。然後，計算機使用OPTIMIZER函數再做一次猜測，努力使損失最小化。這時，也許計算機會得出一些像y=5x+5這樣的結果，雖然還是很糟糕，但更接近正確的結果（即損失更低）。訓練的時候，將依據指定的EPOCHS次數，重複這樣的猜測與優化過程。
下面的程序中可以看到如何設置用 "平均平方誤差 "來計算損失，並使用 "同步梯度下降 "來優化神經元網絡。我們並不需要理解背後的這些數學，但我們可以看到它們的成效!
隨着經驗的積累，我們將瞭解如何選擇相應的損失和優化函數，以適應不同的情況。
在調用model.fit函數時，神經網絡“學習”X和Y之間的關係。在這個過程中，它將一次又一次地完成上面所說的循環，即做一個猜測，衡量它有多好或多壞（又名損失），使用Opimizer進行再一次猜測，如此往復。訓練將根據指定的遍數（epochs）執行此操作。當運行此代碼時，將在輸出結果中看到損失（loss）。
from tensorflow import keras
import numpy as np
## 構建模型
## layer就是一層神經元， shape就是一個輸入值, 接下來我們將創建一個最簡單的神經網絡。它只有1層，且這層只有1個神經元，它的輸入只是1個數值
model = keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])])
## 優化和損失函數
model.compile(optimizer='sgd', loss='mean_squared_error')
## 準備訓練數據
xs = np.array([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0], dtype=float) # tf擅長處理float數據
ys = np.array([-3.0, -1.0, 1.0, 3.0, 5.0, 7.0], dtype=float)
## 訓練模型
model.fit(xs, ys, epochs=500) # y是標籤，eposhs是訓練次數，這裏是100次
到這裏爲止模型已經訓練好了，它學習了X和Y之間的關係。現在，我們可以使用model.predict方法來讓它計算未知X對應的Y。例如，如果X=10，我們認爲Y會是什麼？在運行下面代碼之前，請猜一猜：
model.predict([10.0])
## 18.980xxx 接近於19
我們可能會想到19，對吧？但最後輸出比19低了一丁點兒。這是爲什麼呢？因爲神經網絡處理的是概率，所以根據我們向神經元網絡提供的數據，它計算出X和y之間的關係是y=2x-1的概率非常高。但由於只有6個數據點，無法完全確定x和y的函數關係。因此，10對應的y值非常接近19，但不一定正好是19。當使用神經網絡時，會看到這種模式反覆出現。我們幾乎總是在處理概率，而非確定的數值。並經常需要通過進一步編寫程序，來找出概率所對應的結果，特別當處理分類問題時。
如果是訓練 1500 次的話，結果更準確。
本文分享自微信公衆號 - 程序員匯聚地（chasays）。
如有侵權，請聯繫 [email protected] 刪除。
本文參與“OSC源創計劃”，歡迎正在閱讀的你也加入，一起分享。