敲開TensorFlow的大門

目前的AI還處在比較低級的階段，但是像TensorFlow的出現，極大的推進了AI的進程，使得各類應用可以以最低的成本最快的的時間接入AI，今天我們就通過一個簡單的模型訓練來敲開TensorFlow的大門。

AI的模型訓練其實就是: 對模型變量的值進行不斷調整，直到訓練模型對所有可能的變量求出的結果都無限接近目標值，而我們要做的工作就是給足夠的數據進行訓練，以及不斷優化訓練算法

I. macOS Sierra中配置運行環境

官方教程地址: https://www.tensorflow.org/install/install_mac#installing_with_virtualenv

一共有四種方式，根據官方推薦，我采用的是virtualenv

由于我的MBP沒有NVIDIA CUDA GPU，因此這里我沒有配GPU

由于我的Python是2.7.10版本，并且沒有支持GPU，因此執行:

如果是其他情況的請參照 官方教程

驗證安裝

官方地址: https://www.tensorflow.org/install/install_mac#ValidateYourInstallation

II. 訓練模型案例

該案例來自 官方的入門案例

該次模型訓練的性能決定因素是: 優化器選擇、精度選擇、訓練數據

III. 常見的API

具體API可以參看 官網文檔

• 定義常量: tf.constant(value, type) ，如 tf.constant(3.0, tf.float32) ，當type沒有給定的時候，會根據所給value定義
• 定義變量: tf.placeholder(type) , 如 tf.placeholder(tf.float32)
• 定義訓練模型: tf.Variable([value], type] , 如 tf.Variable([.3], tf.float32)
• 計算結果: 通過 tf.Session() 的 run 去計算
• 初始化訓練模型: tf.global_variables_initializer() ，對其進行復位運行起對象即可，如Session對象是 sees ，初始化模型對象是 init 時: sess.run(init)
• 對模型重新賦值: 如對 W 模型重新賦值: fixW = tf.assign(W, [-1.])
• 求平方: tf.square(value)
• 求和: tf.reduce_sum(value)

來自：https://blog.dreamtobe.cn/tensorflow-sample/