Tensorflow HKU Day 1 study notes
- Data Flow graph
- Tensorflow Hello world!
- Computational Graph
- placeholder
- Tensor Ranks, Shapes, and Types
- Machine Learning Basics
Data Flow graph
Nodes in the graph represent mathematical operations
Edge represent the miltidimensional data arrays(tensors) communicated between them.
Tensorflow Hello world!
# Create a constant op
# This op is added as a node to the default graph
hello = tf.constant("Hello,Tensorflow!")
# TF session
sess = tf.Session()
#run the op and get result
print(sess.run(hello))
result b’Hello, Tensorflow!’
Here b’String’ ‘b’ indicates Bytes literals.
Computational Graph
node1 = tf.constant(3.0, tf.float32)
node2 = tf.constant(4.0)
node3 = tf.add(node1,node2)
print("node1:",node1,"node2:",node2)
print("node3:",node3)
其中学习的第一个要点就是tf里面的constant函数
tf.constant()函数定义：
- def constant(value, dtype=None, shape=None, name=“Const”,
verify_shape=False) -
value: 符合tf中定义的数据类型的常数值或者常数列表; -
dtype：数据类型，可选; -
shape：常量的形状，可选; -
name：常量的名字，可选;
placeholder
import tensorflow as tf
node1 = tf.constant(3.0, tf.float32)
node2 = tf.constant(4.0)
node3 = tf.add(node1,node2)
print("node1:",node1,"node2:",node2)
print("node3:",node3)
sess = tf.Session()
print("sess.run(node1,node2):",sess.run([node1,node2]))
print("sess.run(node3):", sess.run(node3))
a = tf.placeholder(tf.float32)
b = tf.placeholder(tf.float32)
adder_node = a + b
print(sess.run(adder_node,feed_dict={a:3,b:4.5}))
print(sess.run(adder_node,feed_dict={a:[1,3],b:[2,4]}))
Remark
still need to learn about tf.Session(), tf.placeholder
Tensor Ranks, Shapes, and Types
3 # a rank 0 tensor; this is a scalar with shape []
[1.,2.,3.] # a rank 1 tensor; this is a vector with shape [3]
[[1.,2.,3.],[4.,5.,6.]] # a rank 2 tensor; a matrix with shape [2,3]
[ [[1.,2.,3.]],[[4.,5.,6.]] ] # 最外面那个里面有2个[[]],然后每一个是一个1*3的矩阵
Rank
一个简单的表格是这么创建的：
| Rank | Math entity | python example |
|---|---|---|
| 0 | Scalar | |
| 1 | Vector | |
| 2 | Matrix | m=[[1.,2.,3.],[4.,5.,6.]] |
| 3 | Tensor | t = [ [[8][9][10]], [ [11],[12],[13]], ] |
直接数有几个 “[” 或 “]” 能到达数字
Shape没懂，所以没有列入
Type
常见的有：
tf.float32,tf.float64, tf.int8, tf.int16, tf.int32, tf.int64
Machine Learning Basics
- Linear regression
- Logistic Regrssion (Binary classification)
- Software Classification
- Neural Networks
Linear regression
其实这个方向，我算是比较熟悉，只会加上一些自己之前不太清楚的英文词汇
Hypothesis
Cost function =m1∑i=1i=m(H(x(i))−y(i))2
If H(x)=Wx+b,cost(W,b)=m1∑i=1i=m(H(x(i))−y(i))2
If we let b=0, then we have cost(W)=m1∑i=1i=m(Wx(i)−y(i))2
The ultimate goal is to minimize the cost function wrt W,b.
Here we may use Gradient descent algorithm（最速下降法）来迭代
即 Wn+1=Wn−α∂W∂cost(Wn)
Logistic/Sigmoid Regression (Binary classification)
Logistic function g(z)=1+e−z1.
Consider the graph of $y=e^{-x}, y1 = 1+y, $
g′(z)=(1+e−z)2e−z
导数非负
靠近−∞时，导数趋近于0，函数值趋于0
靠近∞时，导数趋近于0，函数值趋于1
所以函数单调递增，且斜率先越来越大， 后来又变小
函数图像为‘S’型，像∫
Hypothesis function：H(x)=sigmoid(XW)=1+e−XW1
Cost function: cost(W)=−m1∑ylog(H(x))+(1−y)(log(1−H(x)))
iterative step: W:=W−α∂W∂cost(W)
Softmax Classification
multiple labels (a,b,c)
WX+b=(a,b,c)
Need to learn the knowlege before process to tensorflow
Neural Networks
input layer → hidden layer 1 → hidden layer 2 ⋯→output layer
这个地方也需要去学习一下理论知识
看了这个讲义，发现它需要比较多的背景知识，然后省略掉比较重要的东西数学知识。可以这个速成的是面对有很好的当初的人。
接下来的任务
- 学习logistic function, softmax classification, neural networks背后的数学原理，cost function设置的原因
- 然后我记得大概数学模型的课本上是有相关知识的，希望找到一个比较深点的讲义，一次搞清楚，不要多次学习了。
- 复习一下python
- 研究那个程序
- 持续更新
- 全新的界面设计 ，将会带来全新的写作体验；
- 在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示；
- 增加了 图片拖拽 功能，你可以将本地的图片直接拖拽到编辑区域直接展示；
- 全新的 KaTeX数学公式 语法；
- 增加了支持甘特图的mermaid语法1 功能；
- 增加了 多屏幕编辑 Markdown文章功能；
- 增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能，功能按钮位于编辑区域与预览区域中间；
- 增加了 检查列表 功能。
功能快捷键
撤销：Ctrl/Command + Z
重做：Ctrl/Command + Y
加粗：Ctrl/Command + B
斜体：Ctrl/Command + I
标题：Ctrl/Command + Shift + H
无序列表：Ctrl/Command + Shift + U
有序列表：Ctrl/Command + Shift + O
检查列表：Ctrl/Command + Shift + C
插入代码：Ctrl/Command + Shift + K
插入链接：Ctrl/Command + Shift + L
插入图片：Ctrl/Command + Shift + G
合理的创建标题，有助于目录的生成
直接输入1次#，并按下space后，将生成1级标题。
输入2次#，并按下space后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。
如何改变文本的样式
强调文本 强调文本
加粗文本 加粗文本
标记文本
删除文本
引用文本
H2O is是液体。
210 运算结果是 1024.
插入链接与图片
链接: link.
图片:
带尺寸的图片:
居中的图片:
居中并且带尺寸的图片:
当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。
如何插入一段漂亮的代码片
去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的 代码片.
// An highlighted block
var foo = 'bar';
生成一个适合你的列表
- 项目
- 项目
- 项目
- 项目
- 项目1
- 项目2
- 项目3
- 计划任务
- 完成任务
创建一个表格
一个简单的表格是这么创建的：
| 项目 | Value |
|---|---|
| 电脑 | $1600 |
| 手机 | $12 |
| 导管 | $1 |
设定内容居中、居左、居右
使用:---------:居中
使用:----------居左
使用----------:居右
| 第一列 | 第二列 | 第三列 |
|---|---|---|
| 第一列文本居中 | 第二列文本居右 | 第三列文本居左 |
SmartyPants
SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如：
| TYPE | ASCII | HTML |
|---|---|---|
| Single backticks | 'Isn't this fun?' |
‘Isn’t this fun?’ |
| Quotes | "Isn't this fun?" |
“Isn’t this fun?” |
| Dashes | -- is en-dash, --- is em-dash |
– is en-dash, — is em-dash |
创建一个自定义列表
- Markdown
- Text-to-HTML conversion tool
- Authors
- John
- Luke
如何创建一个注脚
一个具有注脚的文本。2
注释也是必不可少的
Markdown将文本转换为 HTML。
KaTeX数学公式
您可以使用渲染LaTeX数学表达式 KaTeX:
Gamma公式展示 Γ(n)=(n−1)!∀n∈N 是通过欧拉积分
Γ(z)=∫0∞tz−1e−tdt.
你可以找到更多关于的信息 LaTeX 数学表达式here.
新的甘特图功能，丰富你的文章
- 关于 甘特图 语法，参考 这儿,
UML 图表
可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图：:
这将产生一个流程图。:
- 关于 Mermaid 语法，参考 这儿,
FLowchart流程图
我们依旧会支持flowchart的流程图：
- 关于 Flowchart流程图 语法，参考 这儿.
导出与导入
导出
如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ，生成一个.md文件或者.html文件进行本地保存。
导入
如果你想加载一篇你写过的.md文件或者.html文件，在上方工具栏可以选择导入功能进行对应扩展名的文件导入，
继续你的创作。
-
注脚的解释 ↩︎