個人部落格：
最近alphago和alphazero的出現，預示著2023年成為人工智慧元年，人工智慧逐漸進入我們的生活和工作的方方面面，如在工作中，阿里巴巴雙十一中，出現了「千人千面」智慧型推薦系統，魯班ai設計師，小蜜機械人，idc智慧型巡檢機械人，還有京東的無人倉庫等。這些都讓我覺得人工智慧越來越重要和越來越感興趣，所以決定學習python和tensorflow。現在就以乙個使用tensorflow構建一元線性模型開始我的人工智慧學習吧。
人工智慧，機器學習，深度學習關係
人工智慧是計算機學科的乙個分支，誕生於2023年。機器學習是人工智慧的範疇，它包含了深度學習。深度是指多層的意思，模型經過多層的神經網路的訓練，不斷的學習和調整模型的引數，最後得到最優損失函式最小的模型。深度學習能夠有效的處理現實生活中的「非線性」問題。tensorflow是目前最受歡迎的深度學習框架。
下面直接上最簡單的一元線性回歸模型**：
電腦環境：
import tensorflow as tf
session = tf.session()
# x軸引數
w = tf.variable([.3], dtype=tf.float32)
# 偏移量
b = tf.variable([-.3], dtype=tf.float32)
# x軸
x = tf.placeholder(tf.float32)
# 一元線性模型
linear_model = w * x + b
# 實際值
y = tf.placeholder(tf.float32)
# 觀測值和實際值的誤差的平方差
squared_deltas = tf.square(linear_model - y)
# 最少二乘法。損失函式
loss = tf.reduce_sum(squared_deltas)
# 優化器.優化函式
optimizer = tf.train
.gradientdescentoptimizer(0.01)
train = optimizer.minimize(loss)
# 初始化所有的變數
init = tf.global_variables_initializer()
session.run(init)
# 開始訓練。訓練的過程就是結合優化函式使損失函式的損失最少
x_train = [1,2,3,4]
y_train = [0, -1,-2,-3]
for i in range(1000):
session.run(train, )
# 訓練的結果
curr_w, curr_b, curr_loss = session.run([w, b, loss], )
print("w: %s b: %s loss: %s"%(curr_w, curr_b, curr_loss))
w: [-0.9999969]
b: [ 0.99999082]
loss: 5.69997e-11
−0.9999969x+
0.99999082
y =−
0.9999969x+
0.99999082
, 損失為：5.69997e-11
第乙個TensorFlow程式
tensorflow的執行方式分為如下4步 1 載入資料及定義超引數 2 構建網路 3 訓練模型 4 評估模型和進行 import tensorflow as tf import numpy as np 構造滿足一元二次方程的函式 x data np.linspace 1,1,300 np.newa...
ML 第乙個tensorflow程式
import tensorflow as tf 建立乙個常量 op,產生乙個 1x2 矩陣.這個 op 被作為乙個節點 加到預設圖中.構造器的返回值代表該常量 op 的返回值.matrix1 tf.constant 3.3.建立另外乙個常量 op,產生乙個 2x1 矩陣.matrix2 tf.con...
tensorflow之第乙個專案MNIST資料集
首先登陸 耐心等待，網上好慢。放到當前的路徑下 檢視資料集驗證 檢視資料集的驗證標籤 檢視資料集的測試 檢視資料集的測試標籤 from tensorflow.examples.tutorials.mnist import input data mnist input data.read data s...