TensorFlow实践-学习笔记（1）

人工智能  未来已来！

从2016年的AlphaGo的现世，以及2017年更加厉害的AlphaGo Zero的诞生，人工智能开启了新的纪元。

人工智能中包含机器学习，机器学习中包含深度学习。

机器学习可以大致分为三类，分别是有监督、无监督学习和强化学习。

而对于有监督学习，又可以分为两类，分别是分类问题和回归问题。

回归问题，针对连续数据，常见的回归算法有：线性回归、AdBoost、神经网络等；

分类问题，针对离散数据，常见的分类算法有：逻辑回归、决策树、KNN、随机森林、支持向量机、朴素贝叶斯、神经网络等；

对于深度学习，需要先了解神经网络，对于神经网络，我直接从视频中截图：

神经网络的经典构成：

在最后的输出，由于要做分类，在输出层使用了**函数对前面的计算结果部分做一个非线性化的结果处理，这样可以使得整个神经网络的表现力更好。常见的**函数有Sigmoid和ReLu，图像分别如下：

 在实际中，ReLu的效果比Sigmoid的效果更好。

上面的基础的简单神经网络介绍完了，接着来看看深度神经网络。比如，增加隐藏层数为3的简单深度神经网络图：

1. 卷积神经网络

卷积神经网络LeNet神经网络的结构如下：

 卷积神经网络LeNet最大的特点就是卷积和池化。

卷积，就是利用卷积核对原图像进行卷积核运算，不断提取出新的图像，这个新的图像在一定程度上就可以获取原图像的特征；

池化，一方面可以降低模型的过拟合程度，还可以强化图像中的显著特性；

2012年卷积神经网络出现了一个惊人的表现，也就是：
 

在图像识别中获得了冠军。

主流深度学习框架：

注：

截图来自慕课的公开课。