Deep Learning --Seven

最新推荐文章于 2024-05-02 22:52:12 发布

柟~

最新推荐文章于 2024-05-02 22:52:12 发布

阅读量466

点赞数

分类专栏：深度学习

本文链接：https://blog.csdn.net/hhjj123456456/article/details/101118134

版权

深度学习专栏收录该内容

9 篇文章 0 订阅

订阅专栏

**前言：**原本打算今天下午继续学习RetinaNet，但是种种原因打算暂时先把RetinaNet放一放，今天主要学习了Tensorflow框架，了解了其基本用法，以及如何运用Tensorflow编写一个手写数字识别网络。

一.Tensorflow介绍

1.什么是Tensorflow?

Tensorflow是一个开源的，基于python的机器学习框架，主要用于图形分类、音频处理、推荐系统和自然语言处理等。

2.基于Tensorflow的简单程序

  import tensorflow as tf
  message = tf.constant('Welcome to the world of tensorflow !')
  with tf.session() as sess:
      sess.run(message)
      print(message.decode())

输出结果：Welcome to the world of tensorflow !

3.常量、变量、占位符

最基本的 TensorFlow 提供了一个库来定义和执行对张量的各种数学运算。张量，可理解为一个 n 维矩阵，所有类型的数据，包括标量、矢量和矩阵等都是特殊类型的张量。

在这里插入图片描述 **注：**所有常量、变量和占位符将在代码的计算图部分中定义。如果在定义部分使用 print 语句，只会得到有关张量类型的信息，而不是它的值。为了得到相关的值，需要创建会话图并对需要提取的张量显式使用运行命令，如下所示：
print(sess.run(t_1))
#Will print the value of t_1 defined in step 1

4.矩阵的运算

常用的一些矩阵定义：在这里插入图片描述一些有用的矩阵操作：
**注：**a.tf.div 返回的张量的类型与第一个参数类型一致。
b. 如果在整数张量之间进行除法，最好使用 tf.truediv(a，b)，因为它首先将整数张量转换为浮点类，然后再执行按位相除。

5.回归算法

回归是指通过自变量与因变量之间的关系实现对数据的预测，可以有多个影响因变量的自变量。因此，回归主要有两个部分组成：自变量与因变量之间的关系，以及自变量对因变量产生的影响强度。
（1）.线性回归
线性回归旨在找到预测值Y的线性方程，如下：在这里插入图片描述
其中，X=(x1,x2,…,xn) 为 n 个输入变量，W=(w1,w2,…,wn) 为线性系数，b 是偏置项。目标是找到系数 W 的最佳估计，使得预测值 Y 的误差最小。使用最小二乘法估计线性系数 W，即使预测值 (Yhat) 与观测值 (Y) 之间的差的平方和最小。
损失函数为：在这里插入图片描述
（2）.逻辑回归
逻辑回归用来确定一个事件发生的概率。事件的概率用 logit 函数（Sigmoid 函数）表示：
现在的目标是估计权重 W=(w1,w2,…,wn) 和偏置项 b。在逻辑回归中，使用最大似然估计量或随机梯度下降来估计系数。损失函数通常被定义为交叉熵项：在这里插入图片描述

二.总结

今天只是简单学习了Tensorflow框架，接下来还有很多相关方面的内容要学习。忙碌而充实的一周就过去了，感觉通过编写一周的博客，记录总结每天的学习内容，是一件很有意义的事情，最起码在一周结尾的时候回顾一周学习的内容，觉得没有虚度时光。只是本周唯一没有完成的事情是计划每两天读一篇论文，但是本周只读了两篇（只是没有想到英文版的论文读起来有些吃力），所以下周还会继续再接再厉，锻炼阅读英文论文的能力，争取每两天就能精读一篇论文。基础知识的学习也还会继续，但下周最重要的任务是了解和收集医学图像方面的科研信息，为first talk做准备，下周继续努力吧！