【干货】TensorFlow 实用技巧：模型盘点，使用情况及代码样例
本文将介绍当前 TensorFlow 上的所有抽象模型，描述每个模型的使用情况以及简单的代码样例。详细的示例请访问这里：https://github.com/c0cky/TensorFlow-in-a-Nutshell
递归神经网络（RNN）
使用情况：语言建模、机器翻译、词汇嵌入、文本处理
自从长短时记忆（LSTM）和门控递归单元（GRU）提出以后，递归神经网络（RNN）相较其他自然语言处理模型有了飞跃式的发展。RNN 的输入可以是表征字符的向量，可以经过训练在训练数据集的基础上生成新的句子。RNN 模型的好处在于保留句子中的情景，能够推演“cat sat on mat”的意思是猫在垫子上面。TensorFlow 出现以后，编写这类网络变得愈发简单。下面是一个简单样例：
卷积神经网络（CNN）
使用情况：图像处理、人脸识别、计算机视觉
卷积神经网络（CNN）特别之处在于，设计这种模型时它的输入就已经被定为图像。CNN 可以通过一个小窗口对一幅图像进行卷积处理（滑动），小窗口被称为核，这个小窗口从图像上滑过就生成了一个卷积特征。
生成卷积特征可以用于检测边缘，进而让网络能够描绘图像中的物体。
生成这幅图的卷积特征如下
下面是一个从 NMIST 数据集中识别手写体的代码样例：
前馈神经网络
使用情况：分类和回归
前馈神经网络在每一层都有感知机，会将输入的信息传递到下一层，网络的最后一层是输出。在给定的一层，节点之间不会直接相连。没有原始输入也没有输出的层就是隐藏层。
前馈神经网络的目标与使用反向传播的其他监督神经网络很类似，让输入有理想的、经过训练的输出。前馈神经网络是解决分类和回归问题的一些最简单有效的神经网络。下面我们将展示创造前馈神经网络识别手写数字有多么简单：
线性模型
使用情况：分类和回归
线性模型输入 X 值后，生成用于分类和回归 Y 值最适合的一条线。例如你手头有附近一组房屋的大小和价格，你就能用线性模型预测给定大小的房屋的价格。
需要指出的是，线性模型可以接受多个 X 特征输入。例如上面的房屋例子中，我们能根据房屋大小生成一个线性模型，也可以根据房间数量或者卫生间数量预测一栋房子的价格，分别是f（大小），f（房间数量），f（卫生间数量）。
支持向量机（SVM）
使用情况：当前仅用于二元分类
SVM 背后的基本概念是，对于二元可分的模式（pattern），存在一个最优的超平面。对于不可二元分类的数据，我们可以使用核函数将原始数据转换到一个新的平面上。SVM 将区分超平面的边缘区域最大化。SVM 尤其适用于高纬空间，如果维度比样本数量大也依然有效。
深广模型（Deep and Wide Models）
使用情况：推荐系统、分类和回归
深广网络（Deep and Wide Network）的细节可以参见这篇文章：谷歌发布 Deep and Wide 网络，开源 TensorFlow 模型。
深广网络将线性模型和前馈神经网络结合在一起，因此网络得出的预测既有记忆也有泛化功能。这类模型可以用于分类和回归问题。深广网络的预测相对较准，可以减少特征工程。由此，在两边都取得最好的结果。下面是一个简单的代码片段：
随机森林
使用情况：分类和回归
随机森林模型包含很多不同的分类树，每棵树都为分类投票。森林选择票数最多的那个分类。
随机森林不会过拟合，你可以随便增加树的数量而且速度也相对较快。你可以用下面这段代码跑一次 iris 数据。
贝叶斯强化学习
使用情况：分类和回归
在Github TensorFlow 页面 contrib 文件夹有一个库叫做 BayesFlow。BayesFlow 里面没有说明，只有一个 REINFORCE 算法。这个算法是由 Ronald Wiliams 提出的。
REward Increment = Nonnegative Factor * Offset Reinforcement * Characterisitic Eligibility
该网络试图解决直接的强化学习任务，每次试验得到强化值后对修正权重。在每次试验最后，每个权重都会学习速率因子乘以强化值减去基准乘以特征资格（characteristic eligibility）。Williams 在论文中讨论了使用反向传播训练 REINFORCE 网络的情况。
线性链条件随机场
使用情况：数据排序
CRF 是根据无向模型因子化（factorize）的条件概率分布。这种模型预测单一样本的标签，同时保持相邻样本的语境。CRF 与隐藏摩尔科夫模型十分类似。CRF 常用于图像分割和物体识别，在浅层分析、命名实体识别和基因查找（gene finding）中也有使用。
编译来源：https://hackernoon.com/tensorflow-in-a-nutshell-part-three-all-the-models-be1465993930#.xsno91gkc