（中国大学MOOC）《深度学习应用开发-TensorFlow实践》（第2讲---深度学习简介及开发环境搭建）

机器学习

1. 有监督学习
   训练数据是带标记的。应用：预测（针对连续数据，如线性回归、神经网络等）、分类（针对离散数据逻辑回归、决策树、KNN、随机森林、支持向量机、朴素贝叶斯、神经网络等）。

线性回归举例：每分钟虫鸣声和温度的关系。
分类举例：工件是否合格二分类。
2. 无监督学习
训练数据无标记。其目的是让计算机从数据中抽取其中所包含的模式及规则。比如聚类、关联规则抽取（啤酒和尿布的故事）。

3. 半监督学习
对于半监督学习，其训练数据一部分有标记，另一部分没有标记，而没有标
记数据的数量常常极大于有标记数据的数量。它的基本规律是：数据的分布必然不是完全随机的，通过结合有标记数据的局部特征，以及大量没标记数据的整体分布，可以得到比较好的分类结果。
4. 强化学习
强化学习是目标导向的，从白纸一张的状态开始，经由许多个步骤来实现某
一维度上的目标最大化。最简单的理解是在训练过程中，不断去尝试，错误
就惩罚，正确就奖励，由此训练得到的模型在各个状态环境中都最好。强化学习一般在游戏、下棋等需要连续决策的领域。

深度学习

上述是单层神经网络（层数指的是隐藏层的层数）。隐含层神经元数目是设计者自行设定的。以手写数字识别问题为例，输入层由28X28=784个神经元组成（一张图片28X28个像素点，黑白图片通道数为1），隐含层设计者自行设定神经元数，输出层由10个神经元组成（0-9，是个数字，十分类问题）。

举例说明神经网络工作原理

上面是全连接神经网络（每一个节点和上一层所有节点都连接）。每层的各个节点对后一层各个节点贡献值都有一个权值，加权求和得到z值，然后对z进行一次映射处理（激活函数），得到的a就是下一层对应节点的输入。
为啥要再映射一次（激活函数）呢？生物真实的神经元也是达到一定的刺激阈值，才会有效果，并不是线性加权，所以又做了一次映射处理。

常见的激活函数：

深度神经网络

卷积神经网络 CNN

卷积神经网络 LeNet：

AlexNet：

VGG Net：

Google Net：

神经网络大观
神经网络发展历程：

开发环境搭建（Anaconda下载和安装）

Anaconda是Python的一个科学计算发行版，内置了上千个Python经常会用到的库，包括Scikit-learn、NumPy、SciPy、Pandas等。下载地址（清华映像站）

在Anaconda中安装TensorFlow

国外网络有时太慢，可以通过配置把下载源改为国内的。通过 conda config 命令生成配置文件，这里使用清华的镜像：https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

（1）首先，打开Anaconda Prompt窗口，执行命令：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

（2）然后，执行命令：conda config --set show_channel_urls yes
（3）找到用户目录底下找到 .condarc 文件



（4）安装普通版TensorFlow。
安装普通版TensorFlow命令为：conda install tensorflow
安装GPU版TensorFlow命令为：conda install tensorflow-gpu
注意：如果没反应，按回车键。
（5）测试是否安装成功。

之后浏览器打开网页：


输入import tensorflow as tf tf.__version__，然后Ctrl+Enter执行。

特此说明

本文参考中国大学MOOC官方课程《深度学习应用开发-TensorFlow实践》吴明晖、李卓蓉、金苍宏