因急于从零开始做一个TensorFlow项目,边看边记一下这本书里可用的内容。本文的内容是为看这本书不求甚解,能用即可,突击速成。如果有人也需要速成一个TensorFlow小项目,本文应该能帮你节约一点时间。
第1章 星星之火
讲的是计算机视觉的起源和深度学习的基本概念之类的,没啥好看的
第2章 Python的安装与使用
怎么装Python和pycharm,网上资料很多。突然讲threading类,目前没明白是啥。
第3章 深度学习的理论基础----机器学习
机器学习的分类
可以按学科、学习模式、应用领域分
机器学习的基本算法
讲得很详细,但对做项目没用
算法的理论基础
原理就是逼近,这个看看别的书扫一下盲就能懂
回归算法
线性回归高中知识,类比一下就行
决策树
人工智能书上有讲,算熵分节点。总之第3章内容是扫盲用的。
第4章 Python类库的使用----数据处理及可视化展示
机器学习建模的最终目标是求一个数字时,建模过程基本上可转化为回归问题。差别在是逻辑回归还是线性回归。
分类是逻辑回归,离散。预测一个是多少是线性回归,连续。
numpy的初步使用
numpy可以查查文档,这里简单了解就行
# 可以存储不同类型的数据,下标从0开始
data = np.mat(
[
[1,2,Flase],[2,4,Flase]
]
)
matplotlib包使用
可视化用的包,均是初步了解
深度学习理论方法----相似度计算
讲两个相似度公式,了解即可
数据统计学的可视化展示
四分位的概念,画个图展示,因为数值大小不一,就要标准化,介绍了一些标准化方法:0-1,Z-score。还有些别的图,要用的时候再查。
第5章OpenCV的基础使用
# OpenCV安装
pip install opencv-python
书上入门用很快,有时间也可以看看OpenCV官方文档。例子上的卷积用的是scipy库的,因为想做的项目用TensorFlow,而且TensorFlow的卷积更好学,所以这章没学。
第6章 OpenCV与TensorFlow的融合
颜色调整、裁剪、仿射等暂且不管,为了扩充数据集也就需要用一次,可以等到要用这些操作的时候再查
img = cv2.resize(dst,(h,w))# 对图像扩缩
img2 = img[up:down,left,right] # 对图像裁挖
第7章 Let’s play TensorFlow
TensorFlow游乐场,有个宏观认识。讲个了简单的回归程序和TensorFlow怎么工作的。记了一下一个最简单的TensorFlow程序的代码。
import numpy as np
import tensorflow as tf
inputX = np.random.rand(100) # x的值
inputY = np.multiply(3,inputX) + 1 # 实际的y值
weight = tf.Variable(0.25)
bias = tf.Variable(0.25)
y = tf.multiply(weight,inputX)+bias # 预测的y值
loss = tf.reduce_sum(tf.pow((y-inputY), 2))
train_step = tf.train.GradientDescentOptimizer(0.001).minimize(loss)
sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)
for i in range(1000):
sess.run(train_step)
if i % 50 == 0:
print("step:", i,"W:", sess.run(weight), "bias:", sess.run(bias))
第8章 Hello TensorFlow,从0到1
安装TensorFlow
安装TensorFlow,个人认为最方便的是用pip,无论是Windows、Linux或者是Mac
pip install tensorflow==2.0.0
# == 后面的版本号可以按需修改
常量、变量和数据类型
tf.constant()
tf.Variable()
# 要看数值需要sess.run()
TensorFlow矩阵计算
tf.constant([1,2,3]