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：

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

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：

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

交叉熵损失函数：

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。

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。

张量：
多维数组（列表） 阶：张量的维度

总结不足，还望多多指教