腾讯云开发者社区-腾讯云

开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

TensorFlow从0到N + Rust

专栏作者

55

文章

59458

阅读量

35

订阅数

TensorFlow从0到1 - 0 - 前言

tensorflow 人工智能机器学习深度学习

我是黑猿大叔，转战AI的大叔程序猿，你好。版权所有我以官方文档为主线，开始对TensorFlow的学习。这期间会把我的理解进行持续的输出，作为《TensorFlow从0到1》系列。它不会止于翻译和

2018-04-11

1.1K0

TensorFlow从0到1 - 3 - 人类学习的启示

机器学习 tensorflow

机器学习上一篇TensorFlow的内核基础介绍了TF Core中的基本构造块，在介绍其强大的API之前，我们需要先明了TF所要解决的核心问题：机器学习。什么是机器学习？人类的学习美索不达米亚

2018-04-11

7270

TensorFlow从0到1 - 2 - TensorFlow核心编程

tensorflow 机器学习

上一篇Hello, TensorFlow!中的代码还未解释，本篇介绍TensorFlow核心编程的几个基本概念后，那些Python代码就很容易理解了。与TensorFlow核心（Core）相对的是T

2018-04-11

7840

TensorFlow从0到1 - 1 - Hello, TensorFlow!

在学习任何新的编程语言时，我们都会在第一时间完成Hello World，以宣告自己开发环境的完美搭建。TensorFlow也不例外。TensorFlow充分考虑了各种软/硬件平台上的安装，本篇记录了在

2018-04-11

8910

TensorFlow从0到1 - 6 - 解锁梯度下降算法

tensorflow 编程算法

上一篇 5 TF轻松搞定线性回归，我们知道了模型参数训练的方向是由梯度下降算法指导的，并使用TF的封装tf.train.GradientDescentOptimizer(0.01)（学习率为0.01）

2018-04-11

9480

TensorFlow从0到1 - 5 - TensorFlow轻松搞定线性回归

tensorflow 线性回归机器学习

上一篇第一个机器学习问题其实是一个线性回归问题（Linear Regression），呈现了用数据来训练模型的具体方式。本篇从平行世界返回，利用TensorFlow，重新解决一遍该问题。 TensorFlow的API有低级和高级之分。底层的API基于TensorFlow内核，它主要用于研究或需要对模型进行完全控制的场合。如果你想使用TF来辅助实现某个特定算法、呈现和控制算法的每个细节，那么就该使用低级的API。高级API基于TensorFlow内核构建，屏蔽了繁杂的细节，适合大多数场景下使用。如果

2018-04-11

1.1K0

TensorFlow从0到1 - 9 “驱魔”之反向传播大法

tensorflow 神经网络编程算法

创世纪 2:7： “耶和华神用地上的尘土造人，将生气吹在他鼻孔里，他就成了有灵的活人。” 上一篇8 万能函数的形态：人工神经网络解封了人工神经网络，如果用非常简短的语言来概括它，我更喜欢维基百科的诠释：人工神经网络是一种模仿生物神经网络(动物的中枢神经系统，特别是大脑)的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种自适应系统。就这样，人类照着上帝创造生灵万物的手法，居然也徒

2018-04-11

8000

TensorFlow从0到1 - 10 - NN基本功：反向传播的推导

tensorflow 神经网络人工智能

上一篇 9 “驱魔”之反向传播大法引出了反向传播算法——神经网络的引擎，并在最后窥探了它的全貌。本篇将详细的讨论反向传播各方面的细节。尽管它被TensorFlow封装的很好，但仍强烈建议把它作为人工神经网络的基本功，理解并掌握它，回报巨大。《Neural Network and Deep Learning》的作者Nielsen写道： It actually gives us detailed insights into how changing the weights and biases chang

2018-04-11

1.1K0

TensorFlow从0到1 - 12 - TensorFlow构建3层NN玩转MNIST

tensorflow python

上一篇 11 74行Python实现手写体数字识别展示了74行Python代码完成MNIST手写体数字识别，识别率轻松达到95%。这算不上一个好成绩，不过我并不打算立即着手改善它，而是回到本系列的主线上来，用TensorFlow重新实现一遍完全相同的算法。 TF官方的Get Started中，关于MNIST准备了Beginner和Expert两个版本的实现。前者与其说是一个两层的神经网络，不如说是一种线性判别，后者则实现了CNN。两者之间差了一个经典的3层全连接NN，本篇补上。最终基于TF的代码只有43

2018-04-11

1K0

TensorFlow从0到1 - 8 - 万能函数的形态：人工神经网络

tensorflow 神经网络编程算法

之前花了不小的篇幅来解释线性回归，尽管线性模型本身十分简单，但是确定模型参数的过程，却是一种数据驱动的、自学习的通用方式。准确的说，这个过程，是基于数据的、运用梯度下降算法来优化模型（减小损失）的算法框架。无论模型变得多复杂（多维、高阶），理论上我们都可以利用这个算法过程拟合模型。似乎当有了数据就有了一切，但是这其中隐藏着一个假设：要事先知道模型的函数形式。在复杂的现实问题面前，这个假设注定是毫无用处的。如果要对手写体数字进行分类，那么这个模型是几元的？几次的？包含多少项？不知道。这个时候，仅有大量的

2018-04-11

7290

TensorFlow从0到1 - 4 - 第一个机器学习问题

tensorflow 机器学习编程算法

上一篇 3 机器人类学习的启示借鉴人类学习的模式，描绘了数据驱动的机器学习方法论：通过大量数据来确定模型，从而让模型具有预测价值。本篇提出第一个机器学习问题，进一步看清楚机器学习的具体形式。平行世界在宇宙的一个平行世界中，天空是平面的，人们只能看到位于第一象限的星星。他们发现天上最亮的那颗星在缓慢的移动，于是收集了近千年以来所有天文学家的观测数据，共得到4次观测记载: 2200年，(22, 18) 2500年，(25, 15) 2800年，(28, 12) 3000年，(30, 10) 由于这颗星的意

2018-04-11

8710

TensorFlow从0到1 - 11 - 74行Python实现手写体数字识别

tensorflow python

到目前为止，我们已经研究了梯度下降算法、人工神经网络以及反向传播算法，他们各自肩负重任：梯度下降算法：机器自学习的算法框架；人工神经网络：“万能函数”的形式表达；反向传播算法：计算人工神经网络梯度下降的高效方法；基于它们，我们已经具备了构建具有相当实用性的智能程序的核心知识。它们来之不易，从上世纪40年代人工神经元问世，到80年代末反向传播算法被重新应用，历经了近半个世纪。然而，实现它们并进行复杂的手写体数字识别任务，只需要74行Python代码（忽略空行和注释）。要知道如果采用编程的方法（非学习

2018-04-11

1.7K0

TensorFlow从0到1 - 7 - TensorFlow线性回归的参数溢出之坑

tensorflow 线性回归编程算法

上一篇 6 解锁梯度下降算法解释清楚了学习率（learning rate）。本篇基于对梯度下降算法和学习率的理解，去填下之前在线性回归中发现的一个坑。在5 TF轻松搞定线性回归中提到，只要把TF官方

2018-04-11

6940

TensorFlow从0到1 - 19 - 回顾

tensorflow 神经网络

see you soon 《TensorFlow从0到1》就要结束了。 3条主线这个部分共包含18篇文章，4万余字（简书的严格统计不到4万）。总的来说，它无外乎两方面内容：人工神经网络，及其TensorFlow实现。稍细分的话，有3条主线。主线1：神经网络理论基础： 3 人类学习的启示 4 第一个机器学习问题 6 解锁梯度下降算法 8 万能函数的形态 9 “驱魔”之反向传播大法 10 NN基本功：反向传播的推导主线2：TensorFlow入门： 1 Hello,TensorFlow! 2 Tens

2018-04-11

6900

TensorFlow从0到1 - 18 - TensorFlow 1.3.0安装手记

《TensorFlow从0到1》写到现在，TensorFlow的版本也从当时的1.1.0迭代到了8月初发布的1.3.0。可以预见在未来很长一段时间里，它仍会持续快速的迭代更新。除了考虑与最新版Ten

2018-04-11

8540

TensorFlow从0到1 - 16 - L2正则化对抗“过拟合”

tensorflow 神经网络

前面的14 交叉熵损失函数——防止学习缓慢和15 重新思考神经网络初始化从学习缓慢问题入手，尝试改进神经网络的学习。本篇讨论过拟合问题，并引入与之相对的L2正则化（Regularization）方法。

2018-04-11

1.3K0

TensorFlow从0到1 - 15 - 重新思考神经网络初始化

tensorflow 神经网络

上一篇14 交叉熵损失函数——克服学习缓慢从最优化算法层面入手，将二次的均方误差（MSE）更换为交叉熵作为损失函数，避免了当出现“严重错误”时导致的学习缓慢。本篇引入1/sqrt(nin)权重初始化方法，从另一个层面——参数初始化（神经网络调教的5个层面归纳在13 AI驯兽师：神经网络调教综述）入手改善网络的学习速度。相比之前采用的标准正态分布初始化，1/sqrt(nin)权重初始化不仅明显的加快了学习速度，而且单纯性（其他任何参数不变）的提升了测试集识别精度1~2个百分点。理解了1/sqrt(ni

2018-04-11

1.1K0

TensorFlow从0到1 - 13 - AI驯兽师：神经网络调教综述

tensorflow 神经网络人工智能

在未来的AI时代，“手工程序”将变得越发稀有，而基于通用AI程序，通过大数据“习得”而生的程序，会无所不在。到那时，程序员将光荣卸任，取而代之的是一个新职业物种：他们无需像程序员那样了解所有细节，而是

2018-04-11

1.2K0

TensorFlow从0到1 - 14 - 交叉熵损失函数——防止学习缓慢

tensorflow 神经网络

通过上一篇 13 驯兽师：神经网络调教综述，对神经网络的调教有了一个整体印象，本篇从学习缓慢这一常见问题入手，引入交叉熵损失函数，并分析它是如何克服学习缓慢问题。学习缓慢 “严重错误”导致学习缓慢

2018-04-11

8170

TensorFlow从1到2 - 4 - 深入拆解CNN架构

本篇将拆开CNN架构，一探究竟。基于空间映射的架构全连接网络架构存在一个“硬”伤：网络中各层神经元的一维排布方式，丢弃了图像的空间结构信息。以MNIST识别为例，当输入一副28x28的二维图像，

2018-04-11

9220

点击加载更多

社区活动

RAG七天入门训练营

鹅厂大牛手把手带你上手实战，赢鹅厂证书、公仔好礼！

Python精品学习库

代码在线跑，知识轻松学

博客搬家 | 分享价值百万资源包

自行/邀约他人一键搬运博客，速成社区影响力并领取好礼

技术创作特训营·精选知识专栏

往期视频·千货材料·成员作品最新动态