【Tensorflow】Tensorflow入门教程（一）（真实入门！超简单！）

本文链接：https://blog.csdn.net/BIG_friend/article/details/102851756

本笔记配套于coursera上deeplearning.ai的课程Introduction to TensorFlow for Artificial Intelligence, Machine Learning, and Deep Learning，下面是第一周部分的笔记和一些心得体会。

1.安装

我使用的环境
Python版本：3.6.8
TensorFlow：2.0.0alpha0
IDE：Pycharm

注意：TensorFlow的python库好像只适用于python3.5和3.6，使用其他版本可能会报错 “python No matching distribution found for tensorflow==…”。可以在控制面板完全卸载现有python，删除对应目录，再重新在python官网下载安装。

方法一

打开IDE中的Terminal终端，输入命令：pip install tensorflow==2.0.0-alpha0
注：国内下载可能会比较慢，耐心等待就好了。有条件的可以打开vpn代理

方法二

File -> Settings -> 点击project interpreter -> 右边点击加号 -> 搜索tensorflow ->右边选择版本为2.0.0a0
在这里插入图片描述

2.序列模型

第一个小任务是拟合y=2x+1的函数

float hw_function(float x){
    float y = (2 * x) - 1;
    return y;
}

第三行创建了一个序列模型（全连接）Keras-Dense
units表示输出的维度，inputshape表示输入维度。
第四行作用是配置训练模型 Keras-compile
optimizer 规定优化器，可以产生新预测， loss规定如何衡量预测结果的好坏
xs：输入数据
ys：结果
fit()：把结果和输入传入模型来训练。epochs表示迭代次数
predict()：对于给定输入提供预测

import tensorflow.keras as keras
import numpy as np
model = keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])])
model.compile(optimizer='sgd', loss='mean_squared_error')
xs =np.array([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0],dtype=float)
ys =np.array([-3.0, -1.0, 1.0, 3.0, 5.0, 7.0],dtype=float)
model.fit(xs,ys,epochs=5000)
print(model.predict([10.0]))

上面第4行优化器也可以改成这样：

opt = keras.optimizers.SGD(lr=0.01, momentum=0.0, decay=0.0, nesterov=False)
model.compile(optimizer=opt, loss='mean_squared_error')

3.quiz（第一周测验）

知识点：
传统编程：输入数据+规则->结果
机器学习：输入数据+结果->规则
告诉计算机哪个对应哪个的过程叫Labeling
Dense 是一层被连接的神经元
Loss衡量当前的预测有多好
Optimizer产生新的和改进的猜测
Convergence是数据逼近正确结果的过程
fit训练神经网络把找到一组数据与另一组数据的训练关系。

4.参考

Tensorflow的可视化演示

右上角重置/持续迭代（暂停）/单次迭代 epoch表示迭代次数
中间的加号/减号是增减隐藏层数
每一个隐藏层上面的加减号用来控制该层神经元数量
左边从上到下依次是选择数据集，设置训练集与测试集比例，调整噪声强度，一次训练几个数据
上方从左到右依次是设置学习率、设置激活函数、设置残差计算使用几维范数、设置正则化率、问题类型
右侧是神经网络结果的可视化，靠上的图纵坐标表示残差，横坐标表示迭代次数，靠下的图背景为拟合结果，点为测试数据。右上角的loss代表学习结果的错误率。
感兴趣的同学可以点击上方链接自己尝试一下，有助于理解机器学习过程。