使用tensorflow进行机器学习的一般流程

本文详细介绍了使用TensorFlow进行机器学习的一般流程,包括构建预测和优化模型,通过占位符、常量和变量建立图,创建session进行训练,并进行实际预测。重点讲解了模型构建中的损失函数和梯度下降法,以及模型训练和预测的步骤。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1.构建模型

构建模型是在实际进行一个项目之前要进行的工作,相当于设计,要针对用户需求设计合适的预测模型和优化模型。

1.1构建预测模型

我们把机器学习运用到实际的工作中时,是期望机器可以具有一些人才有的智能。简单的说,输入是一个集合,输出也是一个集合,我们要建立输入集合与输出集合之间的关系模型,使系统接受到一个输入之后,可以经过这个关系模型的计算,映射到输出集合上的一个点。
而把输入和输出关联起来的这个关系模型,就是我们要创建的预测模型。这个模型可以很简单,比如,就是建立了

y=W*x+b

这样一个线性模型,也可以是比较复杂的模型。比如我们常用的包含多个隐藏层的卷积神经网络模型,都是建立起了输入与输出之间的一个关系,让我们接受到一个新的输入时,可以根据输入算出一个输出。

1.2构建优化模型

构建出预测模型之后,其实这个模型什么事也干不了,他就是我们随便写的一个表示输出与输入关系的函数,但在初始情况下,他并不能很好的完成这个任务。下面我们要做的事情就是用正确的数据带入这个函数,求出函数的参数,比如上面公式中的W和b。因为每一对正确的数据带进去都会得到一个参数,那么到底我们选择哪一个呢,这就是我们要构建的优化模型,也就是我们常说的损失函数,用一种在数学上可计算的方式,去逼近我们理想中的那个参数。
比如:

cross_entropy = -tf.reduce_sum(y * tf.log(y_fc2))

这样一个损失函数,函数的值cross_entropy 越小,就代表预测模型也好。那么我们就把问题转化为让损失函数趋于最小值的问题。
这里我们常用的方法是梯度下降法:
高等数学的理论告诉我们;
1)一个函数f(x,y)的对某个参数x的偏导数可以反应该函数在向量x附近的变化速度。
2)导函数的值为正代表函数递增,为负代表函数递减。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值