TensorFlow是一个开源软件库,用於各种感知和语言理解任务的机器学习。目前被50个团队用於研究和生产许多Google商业产品,如语音辨识、Gmail、Google 相簿和搜寻,其中许多产品曾使用过其前任软件DistBelief。TensorFlow最初由Google大脑团队开发,用於Google的研究和生产,於2015年11月9日在Apache 2.0开源许可证下发布。
简而言之,TensorFlow是一个强大的机器学习框架。
TensorFlow是一个机器学习框架。如果您有许多资料,并且/或您正追求AI人工智慧的最先进技术,例如深度学习、神经网路⋯⋯等等,那TensorFlow也许会成为您新的超级好朋友!
那麽,我们就来介绍一下Tensorflow的基础架构吧!
辅助阅读: TensroFlow Go
TensorFlow模型的初探主要可以归结为三个步骤。
载入与准备资料集,将范例从整数转换为浮点数。
透过堆叠一张一张的层面(Layers)来建造Sequential model
选择优化器(optimizer)和损耗函数(loss function)进行训练
Model皆会回传一组各自的logits或者log-odds评分给每个例子。
假设事件指的是二进制概率,那麽赔率(odds)指的就是成功的概率(p)与失败的概略的比例(1-p)。举例来说,假设给定的事件有90%的概率成功和10%的概率会失败,在这个例子中赔率便是0.9/0.1=0.9。
Log-odds就是赔率的对数,按照惯例,对数是指自然对数,但对数其实可以是任何大於1的数字,照着自然对数来,则我们的例子的对数便是log-odds = ln(9) = 2.2。
Softmax: 一种在多类别区分模组中为每个可能的类别产生机率的方法。概率家总会等於1.0,举例来说softmax可能会决定某张图片可能是狗的机率为0.9,是猫的机率为0.08和是马的机率为0.02。(也称作full softmax)
Multi-class classification: 分类问题区分多於两个类别以上。举例来说,世界上大概有128种不同种类的枫树,所以模组将枫树进行分类辨识多类别分类。反过来说模组只将电子信件区分为两个类别(垃圾邮件或者不是)则是二进制分类模组(binary classification)。
Binary classification: 一种将输出的结果分类为互斥集分类任务,举例来说一种机器学习模组评估信件讯息并产生输出为”垃圾邮件”或者”不是垃圾邮寄”便是二进制区分器(binary classifier)
让我们下篇再继续!
参考资料:
https://zh.wikipedia.org/wiki/TensorFlow
https://kozyrk.medium.com/chinese-all-about-tensorflow-f1e2ab1b89b1
-示例单元测试 单元测试通常由程序员开发。这是一个白盒测试。为了最大化单元测试的价值,伴随着敏捷方...
最基本的 问答时间 到底为甚麽要用终端机?可以用最少的容量来做事(图形介面还要读取图片) 是不是打指...
字串 想当初刚在学习JAVA时 一段 new String("ami") != ...
在经过集成式学习(ensemble learning)之後的 tree based (像是 Rand...
昨天我们看了 一长串的表单使用范例 都是经过理解消化後所写出来的 code ,那麽今天就来聊一聊消化...