TensorFlow的一个优点:可以自动算出成本函数的导数

如上图,设 f( x ) = wx,成本 J 为(wx - 1)^2,用GradientTape()这个函数,TensorFlow会记录计算成本J所需的操作序列,保存在 tape 中。 dJdw为自动计算出的导数。 TensorFlow中这个被称为AutoDiff,一些其他的机器学习包,例如pytorch也支持AutoDiff,有时也称autograd。

协同过滤的TensorFlow实现:

TensorFlow的一个优点:可以自动算出成本函数的导数
如上图,设 f( x ) = wx,成本 J 为(wx - 1)^2,用GradientTape()这个函数,TensorFlow会记录计算成本J所需的操作序列,保存在 tape 中。 dJdw为自动计算出的导数。 TensorFlow中这个被称为AutoDiff,一些其他的机器学习包,例如pytorch也支持AutoDiff,有时也称autograd。
协同过滤的TensorFlow实现: