一、机器学习的概念
监督学习和非监督学习
(1)监督学习或监督训练包括将训练集作为系统的输入给出的过程,其中每个示例用期望的输出值标记。使用特定损失函数的最小化来执行这种类型的训练,该特定损失函数表示相对于期望输出系统的输出误差。
在完成训练之后,针对来自训练集的不相交示例(也称为验证集)测量每个模型的准确度。
(2)在无监督学习或无监督训练中,包括训练样本,这些训练样本没有被其所属的系统标记。系统寻找具有共同特征的数据,并根据内部知识特征对其进行更改。这种类型的学习算法主要用于聚类问题。
说明“无监督学习”的最好例子是一堆没有信息的照片和用户训练模型的分类和聚类。这种类型的训练算法与假设条件一起工作,因为没有给出信息。
参考网址:https://www.bootwiki.com/tensorflow/tensorflow-understanding-artificial-intelligence.html
二、数学基础
学习Tensorflow,需要有一定的数学基础,前期主要是线性代数部分的知识,比较简单。
具体来说主要是矩阵相关的知识,附上网址:https://www.bootwiki.com/tensorflow/tensorflow-mathematical-foundations.html
三、如何安装环境?
本文使用的是Anaconda的集成开发环境,采用Jupyter进行编程。具体的配置过程可以自行在网上搜索,都可以搜到。
Tensorflow目前不支持python3.7+以上版本,需要注意。
另外,Tensorflow的安装直接在Anaconda进行,很方便。
四、Tensorflow的训练过程简介
1, 创建tensorflow变量,初始变量,用于执行的的
2, 设置操作的配置
3, 初始化tensorflow 例子
4, 创建tensorflow session (session是执行引擎)
5, 执行session 即运行你的例子
参考网址:https://blog.csdn.net/chenxi004/article/details/89477268
五、总结
本文主要是对机器学习的概念、一些数学基础和编译环境进行总结。