【IceRain】TF学习笔记总结

人工智能

#1

刚装上tensor flow,哈哈,小白新手上路咯


#2

思考问题: 1、机器学习中,监督学习 or 非监督学习概念区分,应用场景调研?

  • 监督学习:是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练示例。在监督学习中,每个实例都是由一个输入对象(通常为矢量)和一个期望的输出值(也称为监督信号)组成。监督学习算法是分析该训练数据,并产生一个推断的功能,其可以用于映射出新的实例。监督学习课分为分类和回归问题,常见的应用有房价预测、医学肿瘤分类等。

  • 非监督学习:在机器学习,无监督学习的问题是,在未加标签的数据中,试图找到隐藏的结构。因为提供给学习者的实例是未标记的,因此没有错误或报酬信号来评估潜在的解决方案。这区别于监督学习和强化学习无监督学习。典型的例子有邮件分类、新闻分类及鸡尾酒会问题。

2、做机器学习项目,有哪些环节?

首先要进行数据分析,明确机器学习的目的,判断是监督学习还是非监督学习。然后根据数据特征进行数据预处理,以便于数据读取及计算。在处理好数据后,解析来选择相应的机器学习算法,而算法的选择会归结为最优化问题。最后对机器学习的结果进行评估。

3、深度学习,目前有哪些应用领域?

  • 计算机视觉,如图像识别,图像分割,图像生成等等。

  • 语音识别

  • 自然语言处理,如机器翻译,机器人聊天器。

4、数据预处理,需要注意哪些?

  • 缺失值的处理,根据问题和场景,舍弃,或者预测出缺失的值,或者采取均值,中值等等。

  • 根据问题和场景不同,对数据进行编码,提取统计特征。

5、tensorflow运行原理,架构有哪些核心点?

TF的系统架构,从底向上分为设备管理和通信层、数据操作层、图计算层、API接口层、应用层。其中设备管理和通信层、数据操作层、图计算层是TF的核心层。

底层设备通信层负责网络通信和设备管理。设备管理可以实现TF设备异构的特性,支持CPU、GPU、Mobile等不同设备。网络通信依赖gRPC通信协议实现不同设备间的数据传输和更新。

第二层是Tensor的OpKernels实现。这些OpKernels以Tensor为处理对象,依赖网络通信和设备内存分配,实现了各种Tensor操作或计算。Opkernels不仅包含MatMul等计算操作,还包含Queue等非计算操作,这些将在第5章Kernels模块详细介绍。

第三层是图计算层(Graph),包含本地计算流图和分布式计算流图的实现。Graph模块包含Graph的创建、编译、优化和执行等部分,Graph中每个节点都是OpKernels类型表示。关于图计算将在第6章Graph模块详细介绍。

第四层是API接口层。Tensor C API是对TF功能模块的接口封装,便于其他语言平台调用。

第四层以上是应用层。不同编程语言在应用层通过API接口层调用TF核心功能实现相关实验和应用。


#3

这段时间考试多,差点忘了还有这个。。。