机器学习、神经网络简单介绍

一、机器学习、神经网络简单介绍

这里先进行简单的介绍，便于大家对TensorFlow理解；

1）机器学习简介

 机器学习是指帮助软件在没有明确的程序或规则的情况下执行任务。对于传统计算机编程，程序员会指定计算机应该使用的规则。但是，机器学习需要另一种思维方式。现实中的机器学习对数据分析的注重程度远高于编码。程序员提供一组样本，然后计算机从数据中学习各种模式。我们可以将机器学习视为“使用数据进行编程”。

2）解决机器学习问题的步骤

其主要包括六步，分别为：

• 步骤1：收集资料

• 步骤2：浏览数据（同时需要选择模型）

• 步骤3：准备资料

• 步骤4：建立，训练和评估模型

• 步骤5：调整超参数

• 步骤6：部署模型

3）神经网络剖析

神经网络是一种可以通过训练来识别各种模式的模型。神经网络由多个层组成，包括输入层和输出层，以及至少一个隐藏层。各层中的神经元会学习越来越抽象的数据表示法。

例如，在猫狗分类中，在对一张小狗的图片进行提取特征数据时，在下图中我们看到了检测线条、形状和纹理的神经元。这些表示法（或学习的特征）可以用来对数据进行分类。

输入层：一张小狗的图片

输出层：输出当识别是小狗DOG的把握（99%），当识别是小猫CAT的把握

输入层和输出层之间都是隐藏层；下图中，隐藏层是3层。

4）训练神经网络

神经网络是通过梯度下降法进行训练的。每层的权重都以随机值开始，并且这些权重会随着时间的推移以迭代的方式不断改进，使网络更准确。

我们使用损失函数量化网络的不准确程度，并使用一种名为“反向传播算法”的流程确定每个权重应该增加还是降低以减小损失。

输入一张小猫的图片，识别为小猫CAT时，是正确的； 这时通过“反向传播算法”确定每个权重应该增加，告诉神经网络走这条路是正确的，权重增大后，以后走这边路的可能性会增大，从而减小出现错误的机率；

输入一张小猫的图片，识别为小狗DOG时，是错误的；这时通过“反向传播算法”确定每个权重应该降低，告诉神经网络走这条路是错误的，权重降低后，以后走这边路的可能性会减少，从而减小出现错误的机率；（减小损失）