深度學習筆記—什麼是神經網路與TensorFlow實現神經網路？
阿新 • • 發佈：2019-01-26
學習目錄：
- (python自然語言處理實戰-核心技術與演算法書籍《塗銘 劉詳 劉樹春》)—推薦
- (吳恩達-深度學習)[http://mooc.study.163.com/smartSpec/detail/1001319001.htm]—推薦
- (莫煩系列-深度學習與機器學習)[https://morvanzhou.github.io/tutorials/machine-learning/tensorflow/]
- (麥子學院-深度學習)[https://www.bilibili.com/video/av15200856/]
- (中文網)(http://www.tensorfly.cn/) (英文網)[https://www.tensorflow.org/]—推薦
- (煉數成金-深度學習框架Tensorflow學習與應用)[https://www.bilibili.com/video/av20542427/]
總結深度學習的筆記，如果寫的不對請評論指出、我會修改。
你將學到：
- 1、大白話理解什麼是神經網路？
- 2、TensorFlow實現神經網路？
1、什麼是神經網路？
它就是一個數學函式：有輸入、輸出、計算邏輯（節點）。
把房屋的面積作為神經網路的輸入（我們稱之為x
但這個函式太簡單了，往往現實沒那麼簡單，比如房價的高低是有很多因素影響的：如位置、房間面積等等。
在圖上每一個畫的小圓圈都可以是ReLU（啟用函式）的一部分，也就是指修正線性單元，或者其它稍微非線性的函式。
這裡有四個輸入的神經網路，這輸入的特徵可能是房屋的大小、臥室的數量、郵政編碼和區域的富裕程度。給出這些輸入的特徵之後，神經網路的工作就是預測對應的價格。同時也注意到這些被叫做隱藏單元圓圈。
神經網路理解為： 是一個多輸入、多個節點（計算邏輯）、一個輸出的函式。
2、TensorFlow 實現神經網路
- TensorFlow 實現簡單例子（還不瞭解它的可以去官網看看）：
# 定義兩個常量
a = tf.constant(10)
b = tf.constant(32)# 相加
s = tf.add(a,b)
# s= sess.run(a + b)
# 輸出
print("兩個數相加：",s)控制檯輸出：（tensor是TensorFlow用來表示資料的，這不是我們想要的結果）
兩個數相加： Tensor("Add:0", shape=(), dtype=int32)# 啟動TensorFlow預設的圖
sess = tf.Session()
s = sess.run(s)
print("兩個數相加：",s)控制檯輸出：
兩個數相加： 42- 實現簡單的神經網
import numpy as np
import tensorflow as tf
# 定義引數w，在TensorFlow中，你要用tf.Variable()來定義引數
w = tf.Variable(0,dtype = tf.float32)
# 定義損失函式(就是一個函式，別想那麼複雜)：
cost = w**2-10*w+25 # tensorflow 也能識別
# cost = tf.add(tf.add(w**2,tf.multiply(- 10.,w)),25)
# 定義損失函式：(讓我們用0.01的學習率，目標是最小化損失)
train = tf.train.GradientDescentOptimizer(0.01).minimize(cost)
# 開啟了一個TensorFlow session。
session = tf.Session()
# 用來初始化全域性變數。
init = tf.global_variables_initializer()
session.run(init)
# 定義train為學習演算法，它用梯度下降法優化器使損失函式最小化，但實際上我們還沒有執行學習演算法，所以session.run(w)評估了w等於0
print(session.run(w))
# 運行了梯度下降的1000次迭代，最後w變成了4.99999(4.9999886)，記不記得我們說〖(w-5)〗^2最小化，因此w的最優值是5，這個結果已經很接近了
for _ in range(10000):
session.run(train)
print(session.run(w))控制檯輸出（訓練10000，結果接近於5了，這就是我們想要的結果）：
0.0
4.9999886