建議可由 Google Brain 邱中鎮博士的投影片入門
http://www.slideshare.net/tw_dsconf/tensorflow-tutorial 這份投影片中最由價值的部份,是其對於 tensorflow 編寫的
順序做了詳細的介紹; 這是你在官網中沒有辦法找到的詳細資料…
相對於傳統的統計學手法,例如:迴歸模型。 我們常常可以將資料與模型直接綁在一起;
例如:在R中要計算一個簡單的迴歸模型。
x <- rnorm(100)
y <- rnorm(100)
lm(y~x)
幾行就解決了,但是如果同樣的東西用 tensorflow 來處理的話: 可以參考這篇: https://github.com/yamitzky/tensorflow-practice/blob/master/Linear%20Regression%20by%20TensorFlow.ipynb
行數似乎增加了不少??
結合了邱博士的說明,我簡單將 tensorflow , 可以拆解為2個概念
- 模型定義(modeling):抽象化,此階段完全是紙上談兵
- 輸入項、輸出項的定義(tensorflow的術語叫:placehold)
- 模型建構(隱藏層)
- 定義 Variable (例:權重、誤差項)
- 定義網路 (例:y = W*X+b)
- 定義Loss函數
- 最佳化:讓Loss函數最小化(Tensorflow 內建 Gradient Desecnt 等,可直接叫用)
- 執行(session階段):戰爭期:計算資源投入(CPU/GPU)、實際資料投入
- 要跑幾次去達成最佳化(Iterative Update)
- 訓練資料讀入( feed)
另外
參考連結:
- https://github.com/aymericdamien/TensorFlow-Examples tensorflow 學習範例
- http://qiita.com/derui@github/items/b43ae43b907cf7568bd2
- tensorflow 目前對 python3 支援還不夠,例如圖示化的工具會有問題,請愛用python2進行學習
- tensorflow 也提供了圖示化的方式,不過不建議初學者花太多時間在此;這個功能比較適合對於模型有完整瞭解後,要強化的情形;一般初學者,應該是先設定好自己的目標(想做的事),去找適合的模型(例:不要太多層的)、適合的資料、適合的LOSS函數、適合的最佳化手法,然後行有餘力把用到的數學都k一遍後,再去看圖示化的工具吧…
- 日本網友測試如果在windows系統用docker搭建tensorflow, 只要遇上較大的資料集,就必定當機 … 想要學習的話,建議還是搭建個VM 或直接使用 Linux系統