TF-char1-简介

TensorFlow深度学习-第一章

人工智能

人工智能、机器学习和神经网络之间的关系如下图：

机器学习分类

监督学习

样本和样本的标签，代表：线性回归、逻辑回归、支持向量机、随机森林
非监督学习

只有样本数据集，自行发现数据的模态，代表：自编码器、生成对抗网络
强化学习

通过与环境来交互学习解决问题的策略，代表：DQN、PPO

神经网络

特征

发展史

1943年：神经元数学模型，MP模型

$$
f(x) = h(g(x))
$$

其中
$$
g(x)=\sum_ix_i,x_i\in{0,1}
$$
通过$g(x)$的值来完成输出值的预测：若大大于等于0，输出1；繁殖输出0

感知机模型

自动学习权重的神经元模型-感知机。输出值o和真实值y之间的误差用于调整神经元的权重系数${w_1,w_2,…,w_n}$

反向传播法BP

现代深度学习的基础：反向传播法BackPropagation

Hopfild连接、LSTM

1982年John Hopfildde 的循环连接的Hopfild网络提出

1997年LSTM被提出

浅层神经网络发展史

第三次浪潮

多层神经网络在MNIST数据集上的取得了优于SVM的效果

提出将线性整流单元Rectfied Linear Unit，ReLU作为激活函数

2012 年，Alex Krizhevsky 提出了 8 层的深层神经网络 AlexNet，它采用了 ReLU 激活函数Dropout 技术防止过拟合，同时抛弃了逐层预训练的方式，直接在 2 块 GTX580 GPU 上训练网络。

深度学习发展史

2014 年，Ian Goodfellow 提出了生成对抗网络

2016 年，DeepMind 公司应用深度神经网络到强化学习领域，提出了 DQN 算法，

深度学习特点

数据量大，数据级需求较高

计算力

非常依赖并行加速计算设备，目前的大部分神经网络均使用 NVIDIA GPU 和 Google TPU 或其他神经网络并行加速芯片训练模型参数

网络规模

随着深度学习的兴起和计算能力的提升，AlexNet(8 层)，VGG16(16 层)， GoogLeNet(22 层)，ResNet50(50 层)，DenseNet121(121 层)等模型相继被提出，同时输入图片的大小也从 28x28 逐渐增大，变成 224x224，299x299 等，这些使得网络的总参数量可达到千万级别，

通用智能

深度学习应用领域

计算机视觉CV
- 图片识别image classification； VGG 系列、Inception 系列、ResNet 系列等。
- 目标检测 object detection；RCNN，Fast RCNN，Faster RCNN，Mask RCNN，SSD,YOLO 系列
- 语义分割 semantic segmentation；FCN，U-net，SegNet，DeepLab 系列等
- 视频理解video understanding；C3D，TSN，DOVF，TS_LSTM
- 图片生成 image generation；VAE 系列，GAN 系列
自然语言处理NLP
- 机器翻译； Seq2Seq，BERT，GPT， GPT-2 等
- 聊天机器人：常用在咨询系统、娱乐游戏、智能家居等
强化学习
- 虚拟游戏：QN，A3C，A2C，PPO
- 机器人
- 自动驾驶Autonomous Driving

深度学习框架

Theano 是最早的深度学习框架之一，已经停止
Scikit-learn 是一个完整的面向机器学习算法的计算库，传统的统计学习领域，不支持神经网络和GPU加速
Caffe：面向使用神经网络、提供Python结口、支持GPU和CPU，融入到PyTorch中
Torch 是一个非常优秀的科学计算库，基于较冷门的编程语言 Lua 开发
MXNET ：陈天奇和李沐等人开发，采用命令式和符号式混合编程
PyTorch ：2017年发布
Keras 是一个基于 Theano 和 TensorFlow 等框架提供的底层运算而实现的高层框架
TensorFlow 是 Google 于 2015 年发布的深度学习框架

TF 和PyTorch

都是采用动态图（优先）模式开发，动态图模型开发效率高，但是运行效率可能不如静态图模式

TensorFlow 在工业界拥有完备的解决方案和用户基础；

PyTorch 得益于其精简灵活的接口设计，可以快速设计调试网络模型，在学术界获得好评如潮

TF2-demo

import tensorflow as tf

# 创建张量
a = tf.constant(2.0)
b = tf.constant(4.0)
# 直接打印
print(a+b)

TF3大核心功能

加速计算

神经网络本质上由大量的矩阵相乘，矩阵相加等基本数学运算构成；TensorFlow 的重要功能就是利用 GPU 方便地实现并行计算加速功能。

# 创建在cpu上运算的2个矩阵
import tensorflow as tf
with tf.device('/cpu:0'):
  cpu_a = tf.random.normal([1,n])
  cpu_b = tf.random.normap([1,n])
  print(cpu_a.device, cpu_b.device)

# 创建在gpu上运算的2个矩阵
with tf.device('/gpu:0'):
  cpu_a = tf.random.normal([1,n])
  cpu_b = tf.random.normap([1,n])
  print(gpu_a.device, gpu_b.device)

并通过 timeit.timeit()函数来测量 2 个矩阵的运算时间:

def cpu_run():
  with tf.device('cpu:0'):
    c = tf.matmul(cpu_a, cpu_b)
  return c

def gpu_run():
  with tf.device('gpu:0'):
    c = tf.matmul(gpu_a, gpu_b)
  return c

# 第一次计算需要热身
cpu_time = timeit.timeit(cpu_run,number=10)
gpu_time = timeit.timeit(gpu_run,number=10)

# 计算10次，取平均值
cpu_time =
timeit.timeit(cpu_run, number=10)
gpu_time = timeit.timeit(gpu_run,number=10)

2 . 自动梯度网络

在使用 TensorFlow 构建前向计算过程的时候，除了能够获得数值结果，TensorFlow 还会自动构建计算图，看个demo：
$$
y=aw^2+bw+c
$$

$$
\frac {\partial y}{\partial w}=2aw+b
$$

考虑在点$(a,b,c,w)= (1,2,3,4)$的导数为10

import tensorflow as tf

# 创建4个张量
a = tf.constant(1.)
b = tf.constant(2.)
c = tf.constant(1.)
w = tf.constant(4.)

with tf.GradientTape as tape:  # 构建梯度环境
  # 将w加入梯度跟踪列表
  tape.watch([w])
  # 计算过程
  y = a * w ** 2 + b * w + c

[dy_dw] = tape.gradient(y, [w])
print(dy_dw)  # 打印导数
tf.Tensor(10.0, shape=(), dtype=float32)

3 . 常用神经接口

TensorFlow除了提供底层的矩阵相乘，相加等运算函数，还内建了常用

网络运算函数
常用网络层
网络训练
网络保存与加载
网络部署
……