tensorflow study HKUST day 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 $=\frac{1}{m}{\sum }_{i=1}^{i=m}(H(x^{(i)})-y^{(i)}{)}^2$
If $H(x)=Wx+b,cost(W,b)=\frac{1}{m}{\sum }_{i=1}^{i=m}(H(x^{(i)})-y^{(i)}{)}^2$
If we let $b=0$, then we have $cost(W)=\frac{1}{m}{\sum }_{i=1}^{i=m}(W{x}^{(i)}-y^{(i)}{)}^2$
The ultimate goal is to minimize the cost function wrt $W,b$.
Here we may use Gradient descent algorithm（最速下降法）来迭代
即 $W^{n+1}=W^n-\alpha \frac{\partial }{\partial W}cost(W^n)$

Logistic/Sigmoid Regression (Binary classification)

Logistic function $g(z)=\frac{1}{1+e^{-z}}$.
Consider the graph of $y=e^{-x}, y1 = 1+y, $
$g^{\prime }(z)=\frac{e^{-z}}{(1+e^{-z}{)}^2}$

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：$H(x)=sigmoid(XW)=\frac{1}{1+e^{-XW}}$
Cost function: $cost(W)=-\frac{1}{m}\sum y\log (H(x))+(1-y)(log(1-H(x)))$
iterative step: $W:=W-\alpha \frac{\partial }{\partial W}cost(W)$

Softmax Classification

multiple labels $(a,b,c)$
$WX+b=(a,b,c)$
Need to learn the knowlege before process to tensorflow

Neural Networks

input layer $\to$ hidden layer 1 $\to$ hidden layer 2 $\cdots \to$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

1. 全新的界面设计 ，将会带来全新的写作体验；
2. 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；
3. 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；
4. 全新的 KaTeX数学公式 语法；
5. 增加了支持甘特图的mermaid语法¹ 功能；
6. 增加了 多屏幕编辑 Markdown文章功能；
7. 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；
8. 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

1. 项目1
2. 项目2
3. 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 $\Gamma (n)=(n-1)!\forall n\in \mathbb{N}$ 是通过欧拉积分

$$\Gamma (z)={\int }_0^{\infty }{t}^{z-1}{e}^{-t}dt.$$

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。

---

1. mermaid语法说明 ↩︎

2. 注脚的解释 ↩︎