机器学习&tensorflow相关
机器学习任务
1.supervised learning(监督式学习)
是从标记的训练数据推断函数的机器学习任务。
在监督式学习中，每个例子都是由一个输入对象（通常是一个向量）和一个期望的输出值（也称为监督信号）组成的一对。
监督式学习算法分析训练数据并产生一个推断的函数，可用于映射新的例子。
最佳方案将允许算法正确地确定不可见实例的类标签。
这就要求学习算法以“合理”的方式从训练数据推广到看不见的情况（见感应偏差）
2.unsupervised learning(无监督式学习)
从“未标记的”数据（未包括在观察中的分类或分类）推导出隐藏结构的功能。
由于给予学习者的例子没有标签，所以没有评估相关算法输出的结构的准确性-这是区分无监督学习与监督学习和强化学习的一种方法。
3.reinforcement learning(强化学习)
强化学习（RL）是受行为主义心理学启发的机器学习领域，关注软件特工如何在环境中采取行动，从而最大化累积奖励的概念。
这个问题由于其一般性，在博弈论，控制论，运筹学，信息论，基于仿真的优化，多智能体系统，群体智能，统计学和遗传算法等许多学科中都有研究。
在操作研究和控制文献中，强化学习方法被研究的领域称为近似动态规划。
在最优控制理论中已经研究了这个问题，尽管大多数研究都关注最优解的存在及其表征，而不是学习或近似的方面。
在经济学和博弈论中，强化学习可以用来解释在有限理性下平衡是如何产生的。
tensorflow
data model(数据模型)
数据模型相当于在tensorflow中的张量(tensor)，简单的说就是多维数组,具有三个特征:Rank(阶),Shape(形状),Type(类型)
Rank(阶)
| 阶 | 数学实例 | python(tensorflow) |
|---|---|---|
| 0 | 纯量 (只有大小) | size = tf.constant(100) |
| 1 | 向量(大小和方向) | vector = tf.constant([1,2,3,4]) |
| 2 | 矩阵(数据表) | matrix = tf.constant([1,2],[3,4]) |
| 3 | 3阶张量 (数据立体) | cube_matrix = tf.constant([[[1],[2],[3]],[[4],[5],[6]],[[7],[8],[9]]]) |
| n | n阶张量 | ….. |
Shape(形状)
| 阶 | 形状 | 维数 | 实例 |
|---|---|---|---|
| 0 | [] | 0-D | 一个0维张量即纯量 |
| 1 | [D0] | 1-D | 一维张量形式[2] |
| 2 | [D0,D1] | 2-D | 二维张量形式[2,3] |
| 3 | [D0,D1,D2] | 3-D | 三维张量形式[2,3,4] |
| n | [D0,D1,D2….D(n-1)] | n-D | n维张量的形式[D0,D1,D2…..D(n-1)] |
Type(类型)
| 数据类型 | Python类型 | 描述 |
|---|---|---|
| DT_FLOAT | tf.float32 | 32位浮点型 |
| DT_DOUBLE | tf.float64 | 64位浮点型 |
| DT_INT8 | tf.int8 | 8位有符整型 |
| DT_INT16 | tf.int16 | 16位有符整型 |
| DT_INT32 | tf.int32 | 32位有符整型 |
| DT_INT64 | tf.int64 | 64位有符整型 |
| DT_UINT8 | tf.uint8 | 8位无符整型 |
| DT_STRING | tf.string | 可变长度的字节数组 |
| DT_BOOL | tf.bool | 布尔 |
| DT_COMPLEX128 | tf.complex128 | 2个64位浮点型数据组(实数和虚数)成的复数 |
| DT_QINT8 | tf.qint8 | 用于量化ops的8位有符整型 |
| DT_QINT32 | tf.qint32 | 用于量化ops的32位有符整型 |
| DT_QUINT8 | tf.quint8 | 用于量化ops的8位无符整型 |
Variables
Variable 是tensorflow 用于存放或者更新参数的实例
demo
import tensorflow as tf
value = tf.Variable(0,name="value")
one = tf.constant(1)
new_value = tf.add(value,one)
update_value = tf.assgin(value,new_value)
initialize_var = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(initialize_var)
print(sess.run(value))
for _ in range(10):
sess.run(update_value)
print(sess.run(value))
Fetches
获取运算的输出结果
demo
import tensorflow as tf
constant_A = tf.constant([100.0])
constant_B = tf.constant([300.0])
constant_C = tf.constant([3.0])
sum_ = tf.add(constant_A,constant_B)
mul_ = tf.multiply(constant_A, constant_C)
with tf.Session() as sess:
result = sess.run([sum_,mul])
print(result)
Feeds
提供运算的输入数据
demo
import tensorflow as tf
import numpy as np
a = 3
b = 2
x = tf.placeholder(tf.float32, shape=(a,b))
y = tf.add(x,x)
data = np.random.rand(a,b)
sess = tf.Session()
print sess.run(y, feed_data={x:data})
使用TensorBoard
安装
pip install tensorboard