吴恩达2022机器学习专项课程C2W1：2.7 TensorFlow代码推理 & 2.8 TensorFlow 中的数据 & 2.9 构建一个神经网络

内容预览

之前的课节都是讲述神经网络的概念，这三节课开始涉及到代码层面。主要通过一些案例，展示了TensorFlow的使用以及为什么TensorFlow的输入输出数据都必须是矩阵。然后讲述如何使用TensorFlow从零构建一个神经网络模型的大致过程。

TensorFlow简介

TensorFlow 是实现深度学习算法的领先框架之一。在构建项目时，TensorFlow是最常用的工具之一。另一个流行的工具是 PyTorch。但是在这个专业化课程中，我们将专注于 TensorFlow。

TensorFlow案例（一）：咖啡烘焙

1.案例描述

• 温度：生咖啡豆加热到烘焙好的咖啡豆过程中使用的温度。
• 持续时间：烘焙多久。
• 两个输入特征：温度和持续时间。
• 输出标签：烘烤的咖啡是否美味，y=1为好咖啡，y为负值坏咖啡。
• 温度和持续时间都在三角区域，不会温度或持续时间太低导致咖啡豆生，不会温度或持续时间太久导致咖啡豆烤过头。
  

2.构建神经网络

此案例可以构建一个神经网络来实现：给定一个具有温度和持续时间的特征向量x，使用神经网络推理，推理结果表示在这个时间和温度下，烘焙的咖啡好与坏。

2.1 Dense创建两个层

• 创建第一个隐藏层，x输入为温度和持续时间，使用Dense创建层，设置神经元个数为3，设置激活函数为sigmoid，然后将输入向量x传入层，层经过计算得到激活值a1。
  
• 创建第二个隐藏层，输入向量变为a1，输出向量a2为0.8。
  

2.2 设置阈值

使用0.5阈值判断第二层的激活值，由此将最终输出的激活值设置为1或0。

TensorFlow案例（二）：图像识别

过程和烘焙咖啡的基本一致，输入向量x表示一张图像的像素亮度值向量。使用Dense创建3个层层，然后每一层的激活项a作为下一层的输入，然后设置阈值判断最终的激活项为1还是0。

TensorFlow的数据类型

1.为什么TensorFlow的数据都是矩阵

• 使用TensorFlow操作数据的时候，数据的格式都是矩阵，即便是只有1行向量，也要将其构建成1行2列的矩阵。
• 因为TensorFlow是被设计用来处理非常大的数据集的，这些数据集用矩阵而不是一维数组来表示，使得TensorFlow内部计算更加高效。
  

2.Numpy表示矩阵

• 2行3列和4行2列。
  
• 行向量：只有一行。列向量：只有一列。
  

3.TensorFlow表示矩阵（tf.Tensor）

tf.Tensor是TensorFlow创建一种数据类型，可以有效表示和计算矩阵。

• 第一层激活项a1为0.2，0.7，0.3，数据类型为tf.Tensor，是一个1行3列的矩阵，数据类型为浮点数。
  
• 第二层激活项a2为0.8，数据类型为tf.Tensor，是一个1行1列的矩阵，数据类型为浮点数。

4.Tensor转换numpy

• 第一层的激活项a1调用a1.numpy()，就转换成了numpy的形式。
  
• 第二层的激活项a2也是用numpy()。

使用TensorFlow从零构建一个神经网络

1.构建神经网络层的两种方式

• 如上面看到的两个案例，实现前向传播的神经网络，都是一个层一个层的构建，然后通过传递激活项连接层，做法比较复杂。
  
• 使用Sequential，直接将各层按顺序传入Sequential，Sequential自动把这些层连在一起形成一个神经网络model，且这些层的激活项传递自动执行前向传播算法，无需手动一个一个设置。
  

2.构建神经网络的完整过程

• 这里只展示大致的过程，细节下周会讨论。使用Sequential构建了神经网络模型后，通过model.compile(…)编译模型。然后创建了x，y训练集，通过model.fit使用训练集数据训练模型，最终通过model.predict来使用模型预测。
  
• 可以直接在Sequential构建层，无需传入layer_1,layer_2等变量，是个小优化。