Code For Better 谷歌开发者之声 ——Tensorflow与深度学习_tensorflow支持什么语言(2)

通常，为了实现人工智能，我们使用机器学习。我们有几种算法用于机器学习。例如：

Find-S算法，决策树算法（Decision trees），随机森林算法（Random forests），人工神经网络

通常，有3种类型的学习算法：

1，监督机器学习算法用于进行预测。此外，该算法搜索分配给数据点的值标签内的模式。

2，无监督机器学习算法：没有标签与数据点相关联。这些ML算法将数据组织成一组簇。此外，它需要描述其结构，使复杂的数据看起来简单，有条理，便于分析。

3，增强机器学习算法：我们使用这些算法来选择动作。此外，我们可以看到它基于每个数据点。一段时间后，算法改变其策略以更好地学习。

2.2  什么是深度学习

机器学习只关注解决现实问题。它还需要更加智能的一些想法。机器学习通过旨在模仿人类决策能力的神经网络。ML工具和技术是关键的两个深度学习的窄子集，我们需要用他们来解决需要思考的问题。任何深度神经网络都将包含三种类型的图层：

输入层     隐藏层        输出层

我们可以说深度学习是机器学习领域的最新领域。这是实现机器学习的一种方式。

2.3 机器学习和深度学习应用

计算机视觉： 我们将其用于车牌识别和面部识别等不同应用。

信息检索： 我们将ML和DL用于搜索引擎，文本搜索和图像搜索等应用程序。

营销：我们在自动电子邮件营销和目标识别中使用这种学习技术。

医疗诊断：它在医学领域也有广泛的应用。癌症鉴定和异常检测等应用。

自然语言处理：适用于情感分析，照片标签，在线广告等应用。

2.4 趋势

如今，机器学习和数据科学正处于趋势中。在公司中，对它们的需求正在迅速增加。对于希望在其业务中集成机器学习而生存的公司而言，他们的需求尤其大。

深度学习被发现，并证明拥有最先进的表演技术。因此，深度学习让我们感到惊讶，并将在不久的将来继续这样做。

最近，研究人员不断探索机器学习和深度学习。过去，研究人员仅限于学术界。但是，如今，机器学习和深度学习的研究正在两个行业和学术界中占据一席之地。

三、TensorFlow实现递归神经网络

递归神经网络是一种面向深度学习的算法，遵循顺序方法。在神经网络中，我们总是假设每个输入和输出都独立于所有其他层。这些类型的神经网络称为循环，因为它们以顺序方式执行数学计算，考虑以下步骤来训练递归神经网络 -

第1步 - 从数据集输入特定示例。
第2步 - 网络将举例并使用随机初始化变量计算一些计算。
第3步 - 然后计算预测结果。
第4步 - 生成的实际结果与期望值的比较将产生错误。
第5步 - 为了跟踪错误，它通过相同的路径传播，其中也要调整变量。
第6步 - 重复从1到5的步骤，直到声明获得输出的变量正确定义。
第7步 - 通过应用这些变量来获得新的看不见的输入来进行系统预测。

表示递归神经网络的示意方法如下所述 ：

第1步  TensorFlow包括用于循环神经网络模块的特定实现的各种库。

#Import necessary modules
from __future__ import print_function

import tensorflow as tf
from tensorflow.contrib import rnn
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("/tmp/data/", one_hot = True)

第2步  使用递归神经网络对图像进行分类，将每个图像行视为像素序列。MNIST图像形状具体定义为28 * 28像素。现在将为所提到的每个样本处理28个序列和28个步骤。定义输入参数以完成顺序模式。

n_input = 28 # MNIST data input with img shape 28*28
n_steps = 28
n_hidden = 128
n_classes = 10

# tf Graph input
x = tf.placeholder("float", [None, n_steps, n_input])
y = tf.placeholder("float", [None, n_classes]
weights = {
   'out': tf.Variable(tf.random_normal([n_hidden, n_classes]))
}
biases = {
   'out': tf.Variable(tf.random_normal([n_classes]))
}

第3步  使用RNN中定义的函数计算结果以获得最佳结果。这里，将每个数据形状与当前输入形状进行比较，并计算结果以保持准确率。

def RNN(x, weights, biases):
   x = tf.unstack(x, n_steps, 1)

   # Define a lstm cell with tensorflow
   lstm_cell = rnn.BasicLSTMCell(n_hidden, forget_bias=1.0)

   # Get lstm cell output
   outputs, states = rnn.static_rnn(lstm_cell, x, dtype = tf.float32)

   # Linear activation, using rnn inner loop last output
   return tf.matmul(outputs[-1], weights['out']) + biases['out']

pred = RNN(x, weights, biases)

# Define loss and optimizer
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = pred, labels = y))
optimizer = tf.train.AdamOptimizer(learning_rate = learning_rate).minimize(cost)

# Evaluate model
correct_pred = tf.equal(tf.argmax(pred,1), tf.argmax(y,1))
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))

# Initializing the variables
init = tf.global_variables_initializer()

第4步  在此步骤中，将启动图形以获得计算结果。也有助于计算测试结果的准确性。

with tf.Session() as sess:
   sess.run(init)
   step = 1
   # Keep training until reach max iterations

   while step * batch_size < training_iters:
      batch_x, batch_y = mnist.train.next_batch(batch_size)
      batch_x = batch_x.reshape((batch_size, n_steps, n_input))
      sess.run(optimizer, feed_dict={x: batch_x, y: batch_y})

      if step % display_step == 0:
         # Calculate batch accuracy
         acc = sess.run(accuracy, feed_dict={x: batch_x, y: batch_y})



![img](https://img-blog.csdnimg.cn/img_convert/d0d010d17a82b8e482ddf9eb5a483b5a.png)
![img](https://img-blog.csdnimg.cn/img_convert/0262e2f737d2967b29fde320ca051fa7.png)

**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**[需要这份系统化资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618545628)**


**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**

难做到真正的技术提升。**

**[需要这份系统化资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618545628)**


**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**