机器学习分为:
线性回归、逻辑回归、支持向量机、随机森林
自编码器、生成对抗网络
DQN、PPO
TensorFlow 安装
# 安装
# GPU 版本
pip install --upgrade tensorflow-gpu
# CPU 版本
pip install --upgrade tensorflow
基础
a = tf.random.normal([4,35,8]) # 模拟成绩册 A
b = tf.random.normal([6,35,8]) # 模拟成绩册 B
tf.concat([a,b],axis=0) # 拼接合并成绩册
shape=(10, 35, 8)
a = tf.random.normal([35,8])
b = tf.random.normal([35,8])
tf.stack([a,b],axis=0) # 堆叠合并为 2 个班级,班级维度插入在最前
shape=(2, 35, 8)
a = tf.random.normal([35,8])
b = tf.random.normal([35,8])
tf.stack([a,b],axis=-1) # 在末尾插入班级维度
shape=(35, 8, 2)
Q&A 补充
交叉熵(损失函数) 适合 概率分类 ---> one-hot(独热)编码, one-hot 编码 避免了 某些分类问题,类别之间并无大小关系,而若用数字代表某类,则会天然存在大小关系, 例如,猫、狗、鱼、虎 分类识别,这几类之间并无大小关系,所以使用 one-hot 编码, 输出层 设 4个神经元,分别对应4个输出,各个输出分别对应为 猫、狗、鱼、虎 的概率, 猫:1、0、0、0 狗:0、1、0、0 鱼:0、0、1、0 虎:0、0、0、1
参考