机器学习笔记之tensorflow综述

tensorflow张量理解

• 零阶张量就是一个数，一阶张量是一个向量（类似于一维数组），二阶张量是矩阵（类似于二维数组），三阶张量类似于三维数组，以此类推。张量的阶与矩阵的阶不是一个概念，需要注意。

机器学习的简单理解

• 我们现在处理的数据有文本、语音、图像等，文本数据是一个稀疏矩阵，语音和图片是稠密矩阵。我们拿图像识别为例，我们把图像抽象成三阶张量（高度和宽度和色彩），经过在训练集中机器学习各种方法的处理，得出一个函数f(x)。三阶张量经过函数f(x)即可得到图像识别的结果。这里的函数f(x)一开始有很多未知的参数，只有通过不断的学习，得到并优化f(x)中的参数，让其执行的正确性和速度不断提高，得出效果好的模型，即得到了函数f(x)的具体形式，各个变量都已经确定。我们可以在实际生产过程中应用这个模型，快速得到结果。

人工神经网络（ANN）的简单理解

• 从数学上可以证明，人工神经网络可以表示所有的非线性函数。我们通过神经元的正向传播和反向传播优化参数。分为卷积神经网络（CNN）、深度神经网络（DNN）、递归神经网络、循环神经网络等。