Python之Tensorflow
TensorFlow™是一个基于数据流编程（dataflow programming）的符号数学系统，被广泛应用于各类机器学习（machine learning）算法的编程实现。
——百度百科
TensorFlow 是由 Google Brain 团队为深度神经网络（DNN）开发的功能强大的开源软件库，
Tensorflow是一种计算图模型，即用图的形式来表示运算过程的一种模型。
开源深度学习库 TensorFlow 允许将深度神经网络的计算部署到任意数量的 CPU 或 GPU 的服务器、PC 或移动设备上，且只利用一个 TensorFlow API。
3.自编码器
3.1 什么是自编码器
自编码器是前馈非循环神经网络，是一种无监督机器学习方法，具有非常好的提取数据特征的能力，
自动编码机也被称为 diabolo 网络或 autoassociator。
自动编码机的目标是重构一样的输入。
可以将自动编码机看作由两个网络组成，第一个网络是一个编码器，负责接收输入 x，并将输入通过函数 h 变换为信号 y：
第二个网络将编码的信号 y 作为其输入，通过函数f得到重构的信号 r：
定义误差 e 为原始输入 x 与重构信号 r 之差，e=x–r，网络训练的目标是减少均方误差（MSE），同 MLP 一样，误差被反向传播回隐藏层。
3.2 自编码器的应用
根据隐藏层的大小，自动编码机分为
欠完备自动编码机（隐藏层神经元数量小于输入层神经元数量）和
过完备自动编码机（隐藏层神经元数量大于输入层神经元数量）。
而根据对损失函数的约束条件，又可以分为：
稀疏自动编码机、去噪自动编码机和卷积自动编码机。
4.Tensorflow基本单位
TensorFlow 使用 张量 （Tensor）作为数据的基本单位。
TensorFlow 的张量在概念上等同于多维数组，我们可以使用它来描述数学中的标量（0 维数组）、向量（1 维数组）、矩阵（2 维数组）等各种量，
示例如下：
# 定义一个随机数（标量）
random_float = tf.random.uniform(shape=())
# 定义一个有2个元素的零向量
zero_vector = tf.zeros(shape=(2))
# 定义两个2×2的常量矩阵
A = tf.constant([[1., 2.], [3., 4.]])
B = tf.constant([[5., 6.], [7., 8.]])
Refenrence
浙公网安备 33010602011771号