TensorFlow基礎入門
作者hamster2
什麼是TensorFlow呢？簡單來說，就是 Google提供的開源機器學習程式庫。藉由TensorFlow可以簡易上手機器學習相關程式。
目錄
為什麼要學習TensorFlow
過去學習機器學習很困難，因為他的演算法非常複雜，但使用TensorFlow、PyTorch、caffe之類的深度學習框架可以節省非常多時間。
機器學習與傳統程式差異
在學習TensorFlow前，先簡單介紹機器學習與以前學習的程式有什麼差異，這樣對使用TensorFlow及機器學習會有更深入的了解。
傳統程式
將規則及data丟進程式中，answers會自動產生。
範例圖示
預先將程式設定為y=2x+3，只要代換x就可以得到相對應的答案。
(1)先提供方程式y=2x+3
(2)當x = 0，y = 3；
x = 1，y = 5，以次類推，只要給出x值就可以得到y值。
範例程式
y = 2x+3 // 見圖1-1
x = 1 // 見圖1-2
print(y)結果
5機器學習
將answers丟入程式中，機器學習會產生規則。換句話說: 我們會將一大堆範例丟進機器學習程式中，電腦會幫我找出規則。
範例圖示
預先給x及y相對應的數字，機器學習藉由訓練的方式，可以找出他們相對應的關係，並預測之後的結果。
(1)先提供x及y對應的點。
(2)經過機器學習training後，會找出下圖的紅線。
(3)最終可用找出的紅線預測出下圖的黑色菱形的位置。
範例程式
x = np.array([-1, 0, 1, 2, 3, 4, 5])
y = np.array([-5, -2, 1, 4, 7, 10, 13]) // 見圖2-1
model.fit(x, y, epochs=500) // 見圖2-2
print(model.predict([8])) // 見圖2-3結果
[[21.985487]]機器學習範例
以下提供完整的機器學習程式，以找出簡單的二元一次方程式為範例。
Import函式庫
如何使用TensorFlow呢？TensorFlow是用Python寫的，並使用TensorFlow裡的API，keras。使用keras讓定義神經網路變得更簡單。
所以一開始要先import TensorFlow及其API，keras。
import tensorflow as tf
import numpy as np
from tensorflow import keras神經網路：
人工智慧中的一種方法，因其處理資料方式類似人腦中的神經網路，故得名神經網路。
定義及compile神經網路
再來創建一個最簡單的神經網路，僅有一個輸入層，一個神經元及一個輸出層。
Dense用來定義連接的神經層。也就是下圖的Hidden layer。
Sequence用來定義連接的layer。
input_shape就是input layer，因為輸入層只有x，所以只能填寫1。
model = keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])])在train資料時，神經網路會不斷猜測是否符合答案，這時loss function就會對猜測值與真時答案比較，而Optimizer根據loss function的結果，提供下一組資料讓神經網路不斷修正，直到training結束。
Loss function用來評估模型的預測值與真實值的差異程度。簡單來說，就是評估模型的準確度。
Optimizer用來幫助神經網路調整參數，使得loss越來越低。
model.compile(optimizer='sgd',loss='mean_squared_error')SGD：
隨機梯度下降法，此方法為通過在隨機小批量的數據上計算loss function的梯度進而迭代更新權重及bias。簡單來說，每次隨機取一筆資料，反復計算以得到最佳結果。
提供data
np.array是python的library，它可以讓資料整理變得更簡單。
xs = np.array([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0, 5.0], dtype=float)
ys = np.array([-5.0, -2.0, 1.0, 4.0, 7.0, 10.0, 13.0], dtype=float)Training神經網路
epochs代表有多少次訓練。500代表需訓練500次。
model.fit(xs, ys, epochs=500)當完成訓練後，就可以預測下一個數據囉！
print(model.predict([8.0]))[[21.97633]]預測結果非常接近22，但卻不是22，主要有兩個原因：
1. training所使用的data太少。總共只使用7個點，所以程式無法確定每個點都是線性。
2. 使用神經網路時，他試圖找出所有可能值，這成為一個概率答案，所以他會為了得到所有可能的正確值，會調整答案。
完整code
import tensorflow as tf
import numpy as np
from tensorflow import keras
model = keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])])
model.compile(optimizer='sgd',loss='mean_squared_error')
xs = np.array([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0, 5.0], dtype=float)
ys = np.array([-5.0, -2.0, 1.0, 4.0, 7.0, 10.0, 13.0], dtype=float)
model.fit(xs, ys, epochs=500)
print(model.predict([8.0]))軟體相關文章推薦
👉【Python教學】使用Pickle序列化物件的用法介紹
👉【超快速教學】如何在Ubuntu安裝Docker，使用官方推薦方式
👉Python 3.10更新拉，5個新功能讓你寫Code效率倍增
Reference
👉Introduction to TensorFlow for Artificial Intelligence, Machine Learning, and Deep Learning
👉TensorFlow
