TensorFlow深度學習入門筆記（一）寫在前面——如何入門深度學習

時間 2019-11-10

標籤 tensorflow 深度學習入門筆記寫在前面如何简体版

原文原文鏈接

「本文是本身學習中的一些感悟，主要談下如何入門深度學習。」html

原文：https://mp.weixin.qq.com/s/cCL2djISt3HMLSM9NMmTQQpython

爲啥你也能夠自學AI？由於我均可以，因此你必定也行！ios

我不是AI相關專業出身，沒有通過碩士、博士級洗禮，大學畢業不少年（數學等早還給老師了），甚至不是開發，也不是很懂算法（讓我手寫個快排估計都寫不出來）……算法

對，我在學機器學習、深度學習技能，並且還準備從事相關的職業編程

因此你應該也沒問題，相信本身網絡

若是你碰巧也對AI有興趣，想探一探它的神奇，歡迎同路！框架

終於開始動手在這裏記下本身的學習過程，算是複習鞏固，也但願對想入門的你有所幫助dom

好了，一塊兒來玩吧機器學習

關於學習，如下是本身的理解，但願對你有啓發 ^_^編程語言

學習的過程：

1.感性認識

2.瞭解概況

3.先跑起來

4.完成任務

5.技術細節

6.原理追溯

感性瞭解

在接觸一項技能、知識時，最先大都是從感性認識開始的，先看到它的樣，碰到它的感受。。。或者在外面觀察，或者已參與其中。。。忽然有了興趣，產生了想再瞭解一下的感受。這時，好戲開始了……

那平常你都看到了哪些深度學習的」東西呢」？這就簡直太多了，畢竟如今AI很火~，好比早些的下棋的」AlphaGo」，已經普及的人臉識別，甚至還有豬臉識別~，最近阿里的」明星猜拳」的，黑5刷臉啦什麼的……不少不少，有的是看到的，不少是參與其中的。若是你有關注AI的一些新聞，相似這些事或多或少都知道吧。

先看圖(圖片來自公衆號：阿里技術)

隔空猜拳

黑5刷臉

人臉融合

手機端實時切割

就先上這幾個

看到這些報道是，有啥感想呢？

會不會像我我，第一句就是:哇~這麼牛逼！咋弄的？

是吧，估計你也像我同樣好奇的在問，這都怎麼搞出來的呢？

我要是這麼牛逼多拉風啊~

嗯~我要回家好好學習了

概況瞭解

深度學習是屬於很尖端的技術了，我一普通的娃怎麼玩得轉呢？我百度下深度學習用到的知識，差點嚇尿了：高等數學（微積分之類）、線性代數、機率論、凸優化、機器學習(單這個就嚇屎人)、編程語言(C++、python)、Linux、CUDA編程……

我只是看着好玩，也想玩下而已，別這樣嚇人吧

不想放棄，先了解下大概狀況再說：

總的來講，深度學習已發展了幾十年了，只是近幾年火了起來，導火索有」AlphaGo」下棋，仍是飛飛老師推進的競賽。深度學習是機器學習的一個分支，能夠說是由人工神經網絡發展起來的，人工神經網絡受啓發與人腦神經網絡（下文提神經網絡即只人工神經網絡），就是那種給點刺激就有反應（好比膝跳反射什麼的，有神經元……），原來只有淺層的神經網絡，如感知機，後來加入隱藏層神經元，後來又加入了不少隱藏層……就變成深度神經網絡了，用這種深度網絡構建模型，去預測、處理任務過程，就叫深度學習了。以上是本身理解，不夠科班了些，這些不重要，瞭解便可~

深度學習目前流行的框架主要有：TensorFlow，Theano，Keras，Caffe，PyTorch，MXNet……

本教將使用比較熱門的TensorFlow，

TensorFlow2.0預覽版已經公佈了，有機會也會嚐嚐鮮

還有個重要概況，深度學習很火，估計會持續幾年，國家政策都規劃了10年呢

其實這纔是我學習的動力

附一張深度學習發展圖

（圖片來自網絡https://www.jianshu.com/p/2a5936c2a6dd）

知道個大概了，而後呢，從哪裏入手？微積分嗎？

因而四處取經，找大佬指點中……

終於，有個靠譜的高人指點：先學最少的知識跑起來就行，暫時不用管它爲何能跑……

高人就是高人，說的太對了（主要不敢去研究理論）

想一想看，若是從原理入手（微積分、矩陣、支持向量積……），估計三天堅持不到啊

因此，先放棄研究這些枯燥的原理，讓程序跑起來再說

重要的事要說3遍

對就先把深度學習跑起來，莫急，下篇就跑……

先跑起來

要想跑起來，須要先選個深度學習框架，我選的是TensorFlow，算是比較流行的了，有Google撐腰，生態發展良好~

而後要作的是環境配置、包安裝等，這些寫在其餘教程裏了，點擊這裏和這裏^_^

很少解釋原理，先依葫蘆畫瓢寫點代碼，運行起來再說

代碼以下，參考自莫煩的教程

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

# 添加神經網絡層
def add_layer(inputs,in_size,out_size,activation_function=None):
   Weights = tf.Variable(tf.random_normal([in_size,out_size]))
   biases = tf.Variable(tf.zeros([1,out_size]) + 0.1)
   Wx_plus_b = tf.matmul(inputs,Weights) + biases

   if activation_function is None:
       outputs = Wx_plus_b
   else:
       outputs = activation_function(Wx_plus_b)
   return outputs

# 構建
x_data = np.linspace(-1,1,300)[:,np.newaxis]
noise = np.random.normal(0,0.05,x_data.shape)
y_data = np.square(x_data) - 0.5 + noise

xs = tf.placeholder(tf.float32,[None,1])
ys =tf.placeholder(tf.float32,[None,1])

# 創建輸入層 隱藏層 輸出層
l1 = add_layer(xs,1,10,activation_function=tf.nn.relu)
prediction = add_layer(l1,10,1,activation_function=None)
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
# 預測
fig = plt.figure()
ax = fig.add_subplot(1,1,1)
ax.scatter(x_data, y_data)
plt.ion()
plt.show()

sess = tf.Session()
sess.run(init)
for i in range(1000):
# training
   sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
   if i % 20 == 0:
       # to visualize the result and improvement
       try:
           ax.lines.remove(lines[0])
       except Exception:
           pass
       prediction_value = sess.run(prediction, feed_dict={xs: x_data})
       # plot the prediction
       lines = ax.plot(x_data, prediction_value, 'r-', lw=5)
       plt.pause(0.01)

print('over.')
sess.close()