【人工智能学习笔记1】入门介绍tensorflow2.0

• 人工智能三学派
• • 三学派定义
  • 神经网络设计过程
  • 张量生成
  • 常用函数

笔记来自: https://www.bilibili.com/video/BV1B7411L7Qt?p=2&spm_id_from=pageDriver

行为主义：基于控制论，构建感知-动作控制系统（实例：倒立摆，平衡车）
符号主义：基于算数逻辑表达式，把问题描述为表达式，再求解表达式（理性思维）
连接主义：仿生学，神经网络（感性思维，直觉）

准备数据->搭建网络->优化参数 ->应用网络

准备数据：采集大量数据对构成数据集
全连接层：后一层神经元和前一层的每个都相连。
前向传播：y=x*w+b
搭建网络时权重w和偏置b是随机(搭建网络时初始化了所有参数)
损失函数： 定义预测值（y）与标准答案（y_）的差距，当损失函数输出最小时，参数w,b会出现最优值—— 均方误差
M S E ( y ， y ) = ∑ k = 0 n （ y ， y ） 2 n . MSE(y，y_) = frac{sum_{k=0}^n（y，y_）^2}{n}. MSE(y，y)​=n∑k=0n​（y，y）2​​.
表征了网络前向传播推理（结果）和标准答案之间的差距
损失函数的梯度：函数对各参数求偏导后的向量。函数梯度下降方向时函数减小方向。
梯度下降法：沿损失函数梯度下降方向，寻找损失函数的最小值，得到最优参数的方法。
学习率：当学习率设置的过小时，收敛过程将变得十分缓慢。当学习率设置过大时，梯度可能会再最小值附近来回震荡，甚至可能无法收敛。
w t + 1 = w t − l r ∗ d l o s s d w t . w_t+1 =w_t - lr* frac{d loss}{dw_t }. wt​+1=wt​−lr∗dwt​dloss​.
反向传播：从后向前，逐层求损失函数对每层神经元参数的偏导数，迭代更新所有参数。

张量（Tensor）

多维数组（列表） 阶：张量的维数
张量可以表示0阶到n阶数组（列表）

数据类型：

tf.int tf.float tf.int 32 tf.bool tf.string

创建一个张量：

tf.constant(张量内容，dtype=数据类型)

维度：

一维 直接写个数

二维 用[行,列]

多维 用[n,j,k]

生成正态分布的随机数：

tf.random.normal(维度，mean=均值，stddev=标准差)

均匀分布随机数

tf.random.uniform(维度，minval=最小值，maxval=最大值) （前闭后开区间）

均强制tensor转换为该数据类型

tf.random.uniform(维度，minval=最小值，maxval=最大值) （前闭后开区间）

axis
axis =0 对第一维度操作，经度方向
axis =1 对第二维度操作，纬度方向

tf.Variable()
将参数设置为可训练的

对应元素的四则运算（维度相同）