Tensorflow HKU Day 1 study notes
Data Flow graph
Nodes in the graph represent mathematical operations
Edge represent the miltidimensional data arrays(tensors) communicated between them.
Tensorflow Hello world!
# Create a constant op
# This op is added as a node to the default graph
hello = tf.constant("Hello,Tensorflow!")
# TF session
sess = tf.Session()
#run the op and get result
print(sess.run(hello))
result b’Hello, Tensorflow!’
Here b’String’ ‘b’ indicates Bytes literals.
Computational Graph
node1 = tf.constant(3.0, tf.float32)
node2 = tf.constant(4.0)
node3 = tf.add(node1,node2)
print("node1:",node1,"node2:",node2)
print("node3:",node3)
其中学习的第一个要点就是tf里面的constant函数
tf.constant()函数定义:
- def constant(value, dtype=None, shape=None, name=“Const”,
verify_shape=False) -
value: 符合tf中定义的数据类型的常数值或者常数列表;
-
dtype:数据类型,可选;
-
shape:常量的形状,可选;
-
name:常量的名字,可选;
placeholder
import tensorflow as tf
node1 = tf.constant(3.0, tf.float32)
node2 = tf.constant(4.0)
node3 = tf.add(node1,node2)
print("node1:",node1,"node2:",node2)
print("node3:",node3)
sess = tf.Session()
print("sess.run(node1,node2):",sess.run([node1,node2]))
print("sess.run(node3):", sess.run(node3))
a = tf.placeholder(tf.float32)
b = tf.placeholder(tf.float32)
adder_node = a + b
print(sess.run(adder_node,feed_dict={a:3,b:4.5}))
print(sess.run(adder_node,feed_dict={a:[1,3],b:[2,4]}))
Remark
still need to learn about tf.Session(), tf.placeholder
Tensor Ranks, Shapes, and Types
3 # a rank 0 tensor; this is a scalar with shape []
[1.,2.,3.] # a rank 1 tensor; this is a vector with shape [3]
[[1.,2.,3.],[4.,5.,6.]] # a rank 2 tensor; a matrix with shape [2,3]
[ [[1.,2.,3.]],[[4.,5.,6.]] ] # 最外面那个里面有2个[[]],然后每一个是一个1*3的矩阵
Rank
一个简单的表格是这么创建的:
Rank | Math entity | python example |
---|---|---|
0 | Scalar | |
1 | Vector | |
2 | Matrix | m=[[1.,2.,3.],[4.,5.,6.]] |
3 | Tensor | t = [ [[8][9][10]], [ [11],[12],[13]], ] |
直接数有几个 “[” 或 “]” 能到达数字
Shape没懂,所以没有列入
Type
常见的有:
tf.float32,tf.float64, tf.int8, tf.int16, tf.int32, tf.int64
Machine Learning Basics
- Linear regression
- Logistic Regrssion (Binary classification)
- Software Classification
- Neural Networks
Linear regression
其实这个方向,我算是比较熟悉,只会加上一些自己之前不太清楚的英文词汇
Hypothesis
Cost function
=
1
m
∑
i
=
1
i
=
m
(
H
(
x
(
i
)
)
−
y
(
i
)
)
2
= \frac{1}{m}\sum_{i=1}^{i=m}(H(x^{(i)})-y^{(i)})^2
=m1∑i=1i=m(H(x(i))−y(i))2
If
H
(
x
)
=
W
x
+
b
,
c
o
s
t
(
W
,
b
)
=
1
m
∑
i
=
1
i
=
m
(
H
(
x
(
i
)
)
−
y
(
i
)
)
2
H(x) = Wx+b, cost(W,b)= \frac{1}{m}\sum_{i=1}^{i=m}(H(x^{(i)})-y^{(i)})^2
H(x)=Wx+b,cost(W,b)=m1∑i=1i=m(H(x(i))−y(i))2
If we let
b
=
0
b=0
b=0, then we have
c
o
s
t
(
W
)
=
1
m
∑
i
=
1
i
=
m
(
W
x
(
i
)
−
y
(
i
)
)
2
cost(W)= \frac{1}{m}\sum_{i=1}^{i=m}(Wx^{(i)}-y^{(i)})^2
cost(W)=m1∑i=1i=m(Wx(i)−y(i))2
The ultimate goal is to minimize the cost function wrt
W
,
b
W,b
W,b.
Here we may use Gradient descent algorithm(最速下降法)来迭代
即
W
n
+
1
=
W
n
−
α
∂
∂
W
c
o
s
t
(
W
n
)
W^{n+1}=W^{n}-\alpha\frac{\partial}{\partial W}cost(W^{n})
Wn+1=Wn−α∂W∂cost(Wn)
Logistic/Sigmoid Regression (Binary classification)
Logistic function
g
(
z
)
=
1
1
+
e
−
z
g(z) = \frac{1}{1+e^{-z}}
g(z)=1+e−z1.
Consider the graph of $y=e^{-x}, y1 = 1+y, $
g
′
(
z
)
=
e
−
z
(
1
+
e
−
z
)
2
g'(z)=\frac{e^{-z}}{(1+e^{-z})^2}
g′(z)=(1+e−z)2e−z
导数非负
靠近 − ∞ -\infty −∞时,导数趋近于0,函数值趋于0
靠近 ∞ \infty ∞时,导数趋近于0,函数值趋于1
所以函数单调递增,且斜率先越来越大, 后来又变小
函数图像为‘S’型,像 ∫ \int ∫
Hypothesis function:
H
(
x
)
=
s
i
g
m
o
i
d
(
X
W
)
=
1
1
+
e
−
X
W
H(x) = sigmoid(XW) = \frac{1}{1+e^{-XW}}
H(x)=sigmoid(XW)=1+e−XW1
Cost function:
c
o
s
t
(
W
)
=
−
1
m
∑
y
log
(
H
(
x
)
)
+
(
1
−
y
)
(
l
o
g
(
1
−
H
(
x
)
)
)
cost(W) = -\frac{1}{m}\sum y\log(H(x))+(1-y)(log(1-H(x)))
cost(W)=−m1∑ylog(H(x))+(1−y)(log(1−H(x)))
iterative step:
W
:
=
W
−
α
∂
∂
W
c
o
s
t
(
W
)
W:=W-\alpha\frac{\partial}{\partial W}cost(W)
W:=W−α∂W∂cost(W)
Softmax Classification
multiple labels
(
a
,
b
,
c
)
(a,b,c)
(a,b,c)
W
X
+
b
=
(
a
,
b
,
c
)
WX+b=(a,b,c)
WX+b=(a,b,c)
Need to learn the knowlege before process to tensorflow
Neural Networks
input layer
→
\rightarrow
→ hidden layer 1
→
\rightarrow
→ hidden layer 2
⋯
→
\dots\rightarrow
⋯→output layer
这个地方也需要去学习一下理论知识
看了这个讲义,发现它需要比较多的背景知识,然后省略掉比较重要的东西数学知识。可以这个速成的是面对有很好的当初的人。
接下来的任务
- 学习logistic function, softmax classification, neural networks背后的数学原理,cost function设置的原因
- 然后我记得大概数学模型的课本上是有相关知识的,希望找到一个比较深点的讲义,一次搞清楚,不要多次学习了。
- 复习一下python
- 研究那个程序
- 持续更新
- 全新的界面设计 ,将会带来全新的写作体验;
- 在创作中心设置你喜爱的代码高亮样式,Markdown 将代码片显示选择的高亮样式 进行展示;
- 增加了 图片拖拽 功能,你可以将本地的图片直接拖拽到编辑区域直接展示;
- 全新的 KaTeX数学公式 语法;
- 增加了支持甘特图的mermaid语法1 功能;
- 增加了 多屏幕编辑 Markdown文章功能;
- 增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能,功能按钮位于编辑区域与预览区域中间;
- 增加了 检查列表 功能。
功能快捷键
撤销:Ctrl/Command + Z
重做:Ctrl/Command + Y
加粗:Ctrl/Command + B
斜体:Ctrl/Command + I
标题:Ctrl/Command + Shift + H
无序列表:Ctrl/Command + Shift + U
有序列表:Ctrl/Command + Shift + O
检查列表:Ctrl/Command + Shift + C
插入代码:Ctrl/Command + Shift + K
插入链接:Ctrl/Command + Shift + L
插入图片:Ctrl/Command + Shift + G
合理的创建标题,有助于目录的生成
直接输入1次#,并按下space后,将生成1级标题。
输入2次#,并按下space后,将生成2级标题。
以此类推,我们支持6级标题。有助于使用TOC
语法后生成一个完美的目录。
如何改变文本的样式
强调文本 强调文本
加粗文本 加粗文本
标记文本
删除文本
引用文本
H2O is是液体。
210 运算结果是 1024.
插入链接与图片
链接: link.
图片:
带尺寸的图片:
居中的图片:
居中并且带尺寸的图片:
当然,我们为了让用户更加便捷,我们增加了图片拖拽功能。
如何插入一段漂亮的代码片
去博客设置页面,选择一款你喜欢的代码片高亮样式,下面展示同样高亮的 代码片
.
// An highlighted block
var foo = 'bar';
生成一个适合你的列表
- 项目
- 项目
- 项目
- 项目
- 项目1
- 项目2
- 项目3
- 计划任务
- 完成任务
创建一个表格
一个简单的表格是这么创建的:
项目 | Value |
---|---|
电脑 | $1600 |
手机 | $12 |
导管 | $1 |
设定内容居中、居左、居右
使用:---------:
居中
使用:----------
居左
使用----------:
居右
第一列 | 第二列 | 第三列 |
---|---|---|
第一列文本居中 | 第二列文本居右 | 第三列文本居左 |
SmartyPants
SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如:
TYPE | ASCII | HTML |
---|---|---|
Single backticks | 'Isn't this fun?' | ‘Isn’t this fun?’ |
Quotes | "Isn't this fun?" | “Isn’t this fun?” |
Dashes | -- is en-dash, --- is em-dash | – is en-dash, — is em-dash |
创建一个自定义列表
-
Markdown
- Text-to- HTML conversion tool Authors
- John
- Luke
如何创建一个注脚
一个具有注脚的文本。2
注释也是必不可少的
Markdown将文本转换为 HTML。
KaTeX数学公式
您可以使用渲染LaTeX数学表达式 KaTeX:
Gamma公式展示 Γ ( n ) = ( n − 1 ) ! ∀ n ∈ N \Gamma(n) = (n-1)!\quad\forall n\in\mathbb N Γ(n)=(n−1)!∀n∈N 是通过欧拉积分
Γ ( z ) = ∫ 0 ∞ t z − 1 e − t d t   . \Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,. Γ(z)=∫0∞tz−1e−tdt.
你可以找到更多关于的信息 LaTeX 数学表达式here.
新的甘特图功能,丰富你的文章
- 关于 甘特图 语法,参考 这儿,
UML 图表
可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图::
这将产生一个流程图。:
- 关于 Mermaid 语法,参考 这儿,
FLowchart流程图
我们依旧会支持flowchart的流程图:
- 关于 Flowchart流程图 语法,参考 这儿.
导出与导入
导出
如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ,生成一个.md文件或者.html文件进行本地保存。
导入
如果你想加载一篇你写过的.md文件或者.html文件,在上方工具栏可以选择导入功能进行对应扩展名的文件导入,
继续你的创作。
注脚的解释 ↩︎