香港科技大学TensorFlow机器学习课程分享
选自“软件定义世界”内容略有改动
2015年11月9日，作为Google Brain的第二代机器学习系统的TensorFlow作为开源软件发布，自2017年I/O大会之后，谷歌主打的深度学习框架 TensorFlow 在这段时间也经历了不少迭代升级。TensorFlow可以运行在多个 CPU、GPU和可选CUDA之上。它运行在64位Linux或Mac OS桌面或服务器系统，以及包括 Android 和 iOS的移动计算平台上。
TensorFlow 的名字来源于这类神经网络对多维数组执行的操作。这些多维数组被称为“张量”，其目的是训练神经网络检测和识别模式和相互关系。从诞生至今，已经有两年多的时间。谷歌在不仅为它制作了专用集成电路 TPU(张量处理单元)，还为它移植了可在移动端使用的TensorFlow Lite，总而言之，谷歌意欲将所有新的 AI 技术都放在它的身上。
不少技术团队正在使用 TensorFlow 进行研究和生产。为了使更多的工程师和团队加入TensorFlow阵营，香港科技大学发布的极简 TensorFlow 入门教程，三天全套课件教程已被分享到 Google Drive。机器之心将简要介绍该教程并借此梳理 TensorFlow 的入门概念与实现。
第一天教程先介绍了深度学习和机器学习的潜力与基本概念，而后便开始探讨深度学习框架 TensorFlow。首先我们将学到如何安装 TensorFlow，其实我们感觉 TensorFlow 环境配置还是相当便捷的，基本上按照官网的教程就能完成安装。随后就从“Hello TensorFlow”开始依次讲解计算图、占位符、张量等基本概念。
当然我们真正地理解 TensorFlow 还需要从实战出发一点点学习那些最基本的概念，因此第一天重点讲解了线性回归、Logistic回归、Softmax分类和神经网络。每一个模型都从最基本的概念出发先推导运行过程，然后再结合Tensor Flow讲解张量、计算图等真正的意义。神经网络这一部分讲解得十分详细，我们将从最基本的感知机原理开始进而使用多层感知机解决异或问题(XOR)，重点是该课程详细推导了前向传播与反向传播的数学过程并配以TensorFlow 实现。
第二天教程详细地讨论了卷积神经网络，它从 TensorFlow 的训练与构建技巧开始，解释了应用于神经网络的各种权重初始化方法、激活函数、损失函数、正则化和各种优化方法等。在教程随后论述CNN原理的部分，我们可以看到大多是根据斯坦福CS231n课程来解释的。
第二天最后一部分就是使用TensorFlow实现前面的理论，该教程使用单独的代码块解释了CNN各个部分的概念，比如说2维卷积层和最大池化层等。
第三天 教程详解了循环神经网络，其从时序数据开始先讲解了RNN的基本概念与原理，包括编码器-解码器模式、注意力机制和门控循环单元等非常先进与高效的机制。该教程后一部分使用了大量的实现代码来解释前面我们所了解的循环神经网络基本概念，包括TensorFlow中单个循环单元的构建、批量输入与循环层的构建、RNN序列损失函数的构建、训练计算图等。
“机器之心”将根据该教程资料简要介绍TensorFlow基本概念和TensorFlow机器学习入门实现。更详细的内容请查看香港科技大学三日TensorFlow速成课程资料，请下载学习查阅。
三日课程下载地址:
https://pan.baidu.com/s/1kVFuDNp
TensorFlow文档地址:
https://www.tensorflow.org/get_started/
TensorFlow是一种采用数据流图(data flow graphs)，用于数值计算的开源软件库。其中 Tensor 代表传递的数据为张量(多维数组)，Flow 代表使用计算图进行运算。数据流图用“结点”(nodes)和“边”(edges)组成的有向图来描述数学运算。“结点”一般用来表示施加的数学操作，但也可以表示数据输入的起点和输出的终点，或者是读取/写入持久变量(persistent variable)的终点。边表示结点之间的输入/输出关系。这些数据边可以传送维度可动态调整的多维数据数组，即张量(Tensor)。
在Tensorflow中，所有不同的变量和运算都是储存在计算图。所以在我们构建完模型所需要的图之后，还需要打开一个会话(Session)来运行整个计算图。在会话中，我们可以将所有计算分配到可用的CPU和GPU资源中。文章来自“软件定义世界(SDX)”公众号，详细内容请通过原文链接查看。
温馨提示：
请搜索“ICT_Architect”或“扫一扫”下面二维码关注公众号，获取更多精彩内容。
阅读量又能说明什么
只专注做一个有情怀的技术分享平台