Day 24: AI机器学习 — TensorFlow初探(上)

前言

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!

TensorFlow

辅助阅读: TensroFlow Go

TensorFlow模型的初探主要可以归结为三个步骤。

1. 建立神经网路来区分图片
2. 训练神经网路
3. 最後评估这个model的准确度

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。

各类参数说明

• Logits: 分类模组产生的未普及化的预测向量，按理说会传送给普及化方法
  假如模组正在处理的是多类别分类(Multi-class classification)问题，logits通常会成为softmax方法的参数。
  Softmax方法会为每个可能的类别(class)产生一组概率向量。
  另外，Logits有时会被指称做逆元素的S型函式。

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