tensorflow2.1笔记

tensorflow2.1是谷歌公司于2020年1月发布的是一个端到端开源机器学习平台,它包含各种工具、库和社区资源。tensorflow2.版本在tensorflow1.版本的基础上做了改进和提高,语法变得更加简单,同时也扩展了一些新的函数功能。下面是我根据北京大学曹健老师的tensorflow笔记课程做的一些总结笔记,强烈推荐大家一起来学习这一门免费课程。
课程链接
源码下载链接:https://pan.baidu.com/s/19XC28Hz_TwnSQeuVifg1UQ 提取码:mocm

class1

Anaconda安装:

conda install cudatoolkit=10.1
conda install cudnn=7.6
pip install tensorflow==2.1

新建TF2.1环境:

conda create -n TF2.1 python=3.7
conda activate TF2.1

检查tensorflow是否成功:

tf.__version__
tf.test.is_gpu_available()

pycharm安装:

将anaconda下的python作为Pycharm的解释器

人工智能的三个学派:

连接主义、符号主义、行为主义

行为主义: 基于控制论,构建感知-动作控制系统(机器人平衡、行走、避障)

符号主义: 基于算术逻辑表达式,用公式描述问题(if,case)、实现理性思维(专家系统)

连接主义: 仿生学,模仿神经元连接关系,实现感性思维(神经网络),外界信息(图像,声音)不断输入神经系统导致神经网络的权重不断发生变化,直到达到最优效果。

神经网络计算过程:

1:准备数据:采集大量“特征/标签”数据

2:搭建网络:搭建神经网络结构

3:优化参数:训练网络获取最佳参数(反传)

4:应用网络:将网络保存为模型,输入新数据,输出分类或预测结果(前传)

MP模型:
在这里插入图片描述
全连接网络具体模型:
y=x*w+b,x为输入,y为输出,w为权重,b为偏置项
tensorflow2.1笔记_第1张图片
损失函数:
用来衡量预测值(y)与标准答案(y_)的差距。
均方误差:
在这里插入图片描述

Loss_mse=tf.reduce_mean(tf.square(y_-y))

交叉熵损失函数:
在这里插入图片描述

tf.losses.categorical_crossentropy(y_,y)

梯度下降:
沿损失函数梯度下降的方向,寻找损失函数的最小值,得到最优参数的方法。
tensorflow2.1笔记_第2张图片
学习率:
当学习率设置过小时,收敛过程将变得十分缓慢。当学习率设置过大时,梯度将会在最小值附近来回震荡,甚至可能无法收敛。
tensorflow2.1笔记_第3张图片
张量:
多维数组(列表) 阶:张量的维度
tensorflow2.1笔记_第4张图片

总结不足,还望多多指教

你可能感兴趣的:(机器学习)