這是人工智能入門課，將用八次課幫你梳理人工智能概念、機器學(xué)習(xí)方法、深度學(xué)習(xí)框架。如果你還不知道什么是人工智能、機器學(xué)習(xí)、深度學(xué)習(xí)，歡迎進來學(xué)習(xí)交流。結(jié)課時，你將會用Python搭建人工神經(jīng)網(wǎng)絡(luò)，實現(xiàn)特定物體的識別。一起編碼感受人工智能 機器學(xué)習(xí) 深度學(xué)習(xí)吧！

什么是機器學(xué)習(xí)

如果一個程序可在任務(wù)T上，隨經(jīng)驗E的增加，效果P隨之增加，則認為這個程序可以從經(jīng)驗中學(xué)習(xí)。

Tensorflow

基于Tensorflow的神經(jīng)網(wǎng)絡(luò)

用張量表示數(shù)據(jù)，用計算圖搭建神經(jīng)網(wǎng)絡(luò)，用會話執(zhí)行計算圖，優(yōu)化線上的權(quán)重（參數(shù)），得到模型。

張量、計算圖、會話和簡單的Tensorflow例子

import tensorflow as tf
a = tf.constant([1.0, 2.0])b = tf.constant([3.0, 4.0])result = a + bprint(result)with tf.Session() as sess:
    print(sess.run(result))

結(jié)果為：

Tensor("add_3:0", shape=(2,), dtype=float32)[4. 6.]

再有

import tensorflow as tf
a = tf.constant([[1.0, 2.0]])b = tf.constant([[3.0], [4.0]])result = tf.matmul(a, b)print(result)with tf.Session() as sess:
    print(sess.run(result))

結(jié)果為：

Tensor("MatMul:0", shape=(1, 1), dtype=float32)[[11.]]

張量（tensor）：多維數(shù)組（列表） 階：張量的維數(shù)
計算圖（Graph）：搭建神經(jīng)網(wǎng)絡(luò)的計算過程，只搭建不運算
會話（Session）：執(zhí)行計算圖中的節(jié)點運算

參數(shù) tf.Variable

w = tf.Variable(tf.random_normal([2,3], stddev=2, mean=0, seed=1))

stdev 標準差； mean 均值； seed 隨機數(shù)種子；
tf.random_normal 表示 正態(tài)分布
tf.truncated_normal() 去掉過大偏離點的正態(tài)分布
tf.random_uniform() 平均分布

變量的初始化

init_op = tf.global_variables_initializer()sess.run(init_op)

tf.placeholder占位，在sese.run中用feed_dict喂數(shù)據(jù)

x = tf.placeholder(tf.float32, shape=(1,2))sess.run(y, feed_dict={x:[[0.5,0.6]]})x = tf.placeholder(tf.float32, shape=(None,2))sess.run(y, feed_dict={x:[[0.1,0.2], [0.3,0.4], [0.5,0.6]]})

神經(jīng)網(wǎng)絡(luò)實現(xiàn)過程

1. 準備數(shù)據(jù)集，提取特征，作為輸入喂給神經(jīng)網(wǎng)絡(luò)

2. 搭建NN結(jié)構(gòu)，從輸入到輸出（先搭建計算圖，再用會話執(zhí)行）前向傳播算法計算輸出

3. 大量特征數(shù)據(jù)喂給NN，迭代優(yōu)化NN參數(shù)，反向傳播算法優(yōu)化參數(shù)訓(xùn)練模型

4. 將訓(xùn)練好的模型投入實際使用

兩層簡單神經(jīng)網(wǎng)絡(luò)示例

import tensorflow as tf
x = tf.placeholder(tf.float32, shape=(None,2))w1 = tf.Variable(tf.random_normal([2,3], stddev=1, seed=1))w2 = tf.Variable(tf.random_normal([3,1], stddev=1, seed=1))a = tf.matmul(x,w1)y = tf.matmul(a,w2)with tf.Session() as sess:
    init_op = tf.global_variables_initializer()
    sess.run(init_op)
    print(sess.run(y, feed_dict={x:[[0.7,0.5], [0.2,0.3], [0.3,0.4], [0.4,0.5]]}))
    print(sess.run(w1))
    print(sess.run(w2))