AI-01-相关基础概念

大数据 / 海量数据

大型数据集组成。超过正常手机、管理和处理的能力。
4V：volume（量大小）、velocity（数据输入输出速度）、variety（数据样本多样性）、veracity（真实性）

特征

一种区别于其他物体的特点。根据这个特点分辨与其他事物的不同之处。（比如：猫猫狗狗不同之处）

机器学习模型解决的任务（监督学习）

分类：根据不同的特征区分不同类的物体

回归：根据不同的特征预测结果（数值型数据）（比如根据人的皮肤容颜水含量预测“年龄”）

非监督学习

聚类（k-means）：需要提供训练的样本特征数据，不用任何标签和对应的结果。（厨房的一堆蔬果，不需要知道那个蔬果属于什么类别，荣国学习计算得到不同类别的所属）应用：监督学习的数据预处理，即提前给数据打上标签

机器学习分类

框架计算图分类

静态图使用步骤：

• 定义操作符mul、add、constant等操作（调用tf.placeholder函数）
• 构建模型
• 建立会话（调用tf.session等函数）
• 在会话中运行张量tensor流，得到输出结果

静态图（tf1.）：就是构建好计算图（画好图纸结构），之后在session会话运行时，才会有每个计算操作OP得到的结果。（类似C++要运行整个文件不报错才能够得到结构，python动态得到单步结果）

动态图（tf2.x后默认方式、pytorch）：张量Tensor可以直接像python那样参与计算，不需要创建会话之类的操作。

（在厨房中自个做饭= 静态：先准备好食材，再一样一样煮菜，你不能边准备食材边做，还能试吃。**动态：**自然就是边准备食材就边煮菜了，煮好一种还能尝一尝，虽然栗子不是很一致哈…）
例如：调用tf的matmul操作区别

• 动态，代码能直接得到两个矩阵相乘的值
• 静态：程序只能先生成一个操作符OP，这个OP必须在session会话中使用run侧能真正计算得到结果。

在tf1.x中使用动态图，程序最开始位置使用

tf.enable_eager_execution() # 开启动态图计算功能
# tf2中有开启和关闭动态图函数（默认开启）
#开启
tf.compat.v1.enable_v2_behavior
#关闭
tf.compat.v1.disable_v2_behavior

**【注】**动态图主要是在编程模式上的优化
**动态图缺点：**在创建计算图是，默认也建立了一个session会话，表示all代码都在改session中进行，并且session一直出于打开状态，当前程序只能有一个会话，并且一直出于打开状态，不能关闭。
静态图可以使用多会话session开发模式。

框架（部分）

• TensorFlow、tensorflow lite
• pytorch
• paddle
• Mxnet

TensorFlow中的API

• 网络层（单层）封装：TF-slim、tf.layers
• 处理架构封装：Estimators（估计器）、eager
• 框架及网络整体封装：TFLearn、tf.kearas
• 基于其他语言的封装：tf.js（用于浏览器的API：WebGL）
  【注】：根据自己知识，选择几种API学精，便于开发模型使用，其他的能在GitHub上面进行修改、调试