教你用TensorFlow实现神经网络（附代码）

果你一直关注数据科学/机器学习，你就不能错过深度学习和神经网络的热潮。互联网公司正在寻找这方面的人，而且从竞赛到开源项目，都有巨额奖金。

如果你对深度学习所提供的前景感到兴奋，但是还没有开始，在这里或许是你开始的第一步。

在这篇文章中，我将介绍TensorFlow。阅读本文后，你将能够理解神经网络的应用，并使用TensorFlow解决现实生活中的问题，本文中的代码是用Python编写的，Python最近的火爆也和深度学习有关。

何时使用神经网络？

有关神经网络和深度学习的更详细的解释， 请看这里。其“更深”版本正在图像识别，语音和自然语言处理等诸多领域取得巨大突破。

现在的主要问题是何时使用神经网络？关于这点，你必须记住一些事情：

神经网络需要大量的信息数据来训练

将神经网络想象成一个孩子。它首先观察父母如何走路。然后它才会独立行走，并且每走一步，孩子都会学习如何执行特定的任务。如果你不让它走，它可能永远不会学习如何走路。你可以提供给孩子的“数据”越多，效果就越好。

当你有适当类型的神经网络来解决问题时

每个问题都有自己的难点。数据决定了你解决问题的方式。例如，如果问题是序列生成，递归神经网络更适合，而如果它是一个图像相关的问题，你可能会采取卷积神经网络。

硬件要求对于运行深度神经网络模型是至关重要的

神经网络很早以前就被“发现”了，但是近年来，神经网络一直在发光，这是因为计算能力的强大。如果你想用这些网络解决现实生活中的问题，准备购买一些高性能硬件吧！

如何解决神经网络问题

神经网络是一种特殊类型的机器学习（ML）算法。因此，与每个ML算法一样，它遵循数据预处理，模型构建和模型评估等常规ML工作流程。我列出了一个如何处理神经网络问题的待办事项清单：

检查神经网络是否可以提升传统算法。

做一个调查，哪个神经网络架构最适合即将解决的问题。

通过你选择的语言/库来定义神经网络架构。

将数据转换为正确的格式，并将其分成批。

根据你的需要预处理数据。

增加数据以增加规模并制作更好的训练模型。

将数据批次送入神经网络。

训练和监测训练集和验证数据集的变化。

测试你的模型，并保存以备将来使用。

本文中，我将重点关注图像数据。让我们先了解一下，然后再研究TensorFlow。

图像大多排列为3D阵列，尺寸指的是高度，宽度和颜色通道。例如，如果你现在截取了你的电脑的屏幕截图，则会首先将其转换为3D数组，然后将其压缩为PNG或JPG文件格式。

虽然这些图像对于人来说是相当容易理解的，但计算机很难理解它们。这种现象被称为语义鸿沟。我们的大脑可以查看图像，并在几秒钟内了解完整的图片。另一方面，计算机将图像视为一组数字。

在早期，人们试图把图像分解成像“模板”这样的“可理解的”格式。例如，一张脸总是有一个特定的结构，这个结构在每个人身上都有所保留，比如眼睛的位置和鼻子，或我们的脸的形状。但是这种方法并不可行，因为当要识别的对象的数量增加时，“模板”就不会成立。

2012年，深度神经网络架构赢得了ImageNet的挑战，这是一个从自然场景中识别物体的重大挑战。

那么人们通常使用哪种库/语言来解决图像识别问题？一个最近的一项调查发现，最流行的深度学习库是Python提供的API，其次是Lua中，Java和Matlab的。最流行的库是：

Caffe

DeepLearning4j

TensorFlow

Theano

Torch

让我们来看看TensorFlow所提供的功能。 什么是TensorFlow？

“TensorFlow是一个使用数据流图进行数值计算的开源软件库。图中的节点表示数学运算，而图边表示在它们之间传递的多维数据阵列（又称张量）。灵活的体系结构允许你使用单个API将计算部署到桌面、服务器或移动设备中的一个或多个CPU或GPU。

原文链接