用TensorFlow实现神经网络很难吗？看完这篇详解，「小白」也可秒懂！

图：pixabay

原文来源：DZone

作者：Faizan Shaikh

「机器人圈」编译：嗯~阿童木呀、多啦A亮

「机器人圈」正式更名为「雷克世界」，后台回复「雷克世界」查看更多详情。

如果你一直在关注数据科学/机器学习等相关领域，那么你一定不会错过有关深度学习和神经网络的任何动态。组织正在寻找一些深谙深度学习技能的人，无论他们将深度学习的知识用于何处。从开启竞争到开源项目再到巨额奖金，人们正在试图尝尽一切办法来挖掘这个领域有限的人才资源。

如果你对深度学习的发展前景充满憧憬和期望，但还不曾开始迈进这个领域，那么，在这里我将助你开启旅程。

在本文中，我将介绍TensorFlow的相关知识。相信阅读本文后，你将能够了解神经网络的应用，并学会使用TensorFlow来解决现实生活中的问题。而在阅读本文之前，要求你能够了解神经网络的基础知识，并熟悉编程。尽管这篇文章中的代码是用Python编写的，但我会将重点放在概念上，并尽可能保持所谈论的内容与编程无关。

何时使用神经网络

众所周知，到目前为止，神经网络成为人们关注的焦点已有很长一段时间了。如果还不是很了解，点击链接，这里有有关神经网络和深度学习的更为详尽的阐述。（https://www.analyticsvidhya.com/blog/2016/10/an-introduction-to-implementing-neural-networks-using-tensorflow/?utm_source=dzone&utm_medium=social）其中，它的“更深度”版本已然在诸如图像识别、语音和自然语言处理等诸多领域取得了巨大的突破性进展。

而在神经网络的使用这有一个至关重要的问题出现了，那就是“什么时候应该使用神经网络？什么时候不应该使用神经网络呢”？现如今，这个领域俨然就是一座金矿，每天都会有许多“宝藏”破土而出，而如果想要成为这个“淘金热”的一部分，你必须注意几点：

•首先，神经网络需要清晰且翔实的数据（主要是大数据）进行训练。你可以试着将神经网络想象成一个孩子。在最初的时候，它首先要观察其父母的走路方式，然后，它试着自己走，一步一步地走下去，这个孩子就学会了如何去执行一项特定的任务。在这个过程中，它可能会跌倒几次，但经过几次失败的尝试之后，它就学会了如何走路。如果你不让它尝试着自己走，那么它可能永远也学不会如何走路。你为孩子提供的尝试机会越多，它就会越来越好。

•对于诸如图像处理这样的复杂问题，使用神经网络是一种需要很谨慎的行为。神经网络是隶属于一种称为表征学习算法（representation learning algorithms）的一类算法。这些算法将复杂问题分解成更为简单的形式，使其变得可以理解（或“可表征”）。其实你可以把它想象成是在你吞咽食物之前咀嚼食物的行为。而这对于传统算法（非表征学习）来说，将变得更加困难。

•当你认为有了适当的神经网络类型来解决问题时，殊不知每个问题都有自己的难点。而数据将决定你用以解决问题的方式。例如，如果是序列生成的问题，则选择循环神经网络是最为合适的，而如果它是一个和图像相关的问题，那么你可能就需要做些改变，采用卷积神经网络才是一个合适的选择。

•最后一点但也同样重要的是，硬件需求对运行深度神经网络模型来说是至关重要的。其实，神经网络很久以前就被“挖掘”出来了，但直到近年，它才开始“闪闪发光”，而这主要得益于计算资源的越来越好和越来越强大。如果你想要用这些网络来解决实际问题，建议你做好准备去购买一些高端硬件！

如何使用神经网络解决问题

神经网络是一种特殊类型的机器学习（ML）算法。因此，与每个ML算法一样，它遵循数据预处理，模型构建和模型评估的通用ML工作流。为了简明起见，我列出了一个如何处理神经网络问题的待办事项清单。

•检查神经网络是否提升了传统算法（参考上述章节中的检查列表）。

•做一项关于哪个神经网络架构最适合亟待解决问题的调查。

•通过你所选择的语言/库来定义神经网络架构。

•将数据转换为正确的格式，并将其分为若干批量。

•根据需要对数据进行预处理。

•添加数据以增加大小并做出更好的训练模型。

•将批量馈送到神经网络。

•训练、监测训练过程中的变化并验证数据集。

•对模型进行测试并保存以备将来使用。

对于这篇文章，我将重点介绍图像数据。在深入了解TensorFlow之前，需要首先对其有基本了解。

理解图像数据及用以解决问题的流行库

图像大部分以三维数组的形式排列，其中三维是指高度、宽度和颜色信号通道。例如，如果你在此刻拍摄个人电脑的屏幕截图，则首先将其转换成三维数组，然后将其压缩为PNG或JPG文件格式。

监管这些图像对于人类来说是很容易理解的，但对计算机来说就没有那么容易了。这种现象被称为语义鸿沟（semantic gap）。我们的大脑可以在几秒钟内看到图像，并对完整的图像加以了解。而另一方面，计算机则将图像视为一个数组。所以问题是，我们该如何将这个图像向机器加以解释。

在早期，人们试图将这种图像分解为像一个“模板”一样的机器 “可理解”的格式。例如，一张脸中总有一个特定的结构，它以某种形式在每个人身上保留下来，比如我眼睛和鼻子的位置，或者脸型。但是这种方法将会非常繁琐，因为当要识别的目标数量增加时，“模板”就不存在了。

到了2012年，深度神经网络架构赢得了ImageNet挑战赛，这是一个在从自然场景中识别目标领域的很有声望的挑战。后来在所有即将到来的ImageNet挑战中，神经网络都占据着主导地位，从而证明了其在解决图像问题的有效性。

那么人们通常会使用哪些库/语言来解决图像识别问题呢？最近的一项调查结果显示，大多数受欢迎的深度学习库都有一个Python接口，其次是Lua、Java和Matlab。下面是最受欢迎的库中的一些代表：

•Caffe（http://caffe.berkeleyvision.org/）

•DeepLearning4j（https://deeplearning4j.org/）

•TensorFlow（https://www.tensorflow.org/）

•Theano（http://www.deeplearning.net/software/theano/）

•Torch（http://torch.ch/