ML：2-2-1 Tensorflow

文章目录

• [1. Tensorflow实现](#1. Tensorflow实现)
• [2. 模型训练细节](#2. 模型训练细节)
• • [2.1 定义模型f(x)](#2.1 定义模型f(x))
  • [2.2 找到loss and cost funciton](#2.2 找到loss and cost funciton)
  • [2.3 Gradient descent](#2.3 Gradient descent)

【吴恩达p60-61】

1. Tensorflow实现

1. 继续看手写数字识别的例题
2. 第一步，我们上周学习了。
3. 第二步，让Tensorflow去编译模型。最重要的一步是通过指定你想使用的loss函数。（这里我们会用BinaryCrossentropy）
4. 第三步，使用fit函数告诉Tensorflow将在第一步中指定的model，和第二步中指定的cost function拟合到XY。（第3步是用来训练模型的）
5. epoch 是一个专业名词，指定gradient descent步骤的数量。

2. 模型训练细节

【了解Tensorflow训练模型的代码细节。】

1. 训练模型的三个步骤：
   1. 定义模型f(x)。
   2. 找出loss + cost function。（loss是单个样本的误差，cost是整体的误差和）
   3. 训练数据，最小化cost function。（ex. 使用gradient descent）
2. 使用这3步训练neural network的模型：
   1. 定义model的式子。
   2. compile模型，并且告诉它你想使用的loss function。（这里的代码表示，我们将使用Binary Cross Entropy作为loss function。后续通过对其取平均值，可以得到整个neural network的cost function。）
   3. 调用函数，去最小化cost function。

2.1 定义模型f(x)

1. a3 = f(x)

2.2 找到loss and cost funciton

1. 必须指定loss function，这也会用来定义cost function。
2. L(f(x), y)函数里y是truth label（target label
3. f(x)是neural network的output。
4. Tensorflow知道你要最小化cost是所有training example loss的平均值。
5. 如果项训练的是regression的模型，你也可以告诉Tensorflow使用不同的loss function编译模型。（比如，要去最小化mean squared error，就可以让loss = MeanSquaredError()）
6. 神经网络里的W，B都是2维的数据
   

2.3 Gradient descent

1. 需要分别对每一层每一神经元，更新它们的w，j。
2. backpropagation反向传播：用来计算neural network里偏导项的一种算法。（Tensorflow可以做到：model.fit(x,y, epochs = 100)，epochs表示，迭代100次。）
3. 事实上，Tensorflow可以使用另一种比gradient descent更快的算法来做。