TensorFlow流程图

TensorFlow流程图

人工智能神器TensorFlow流程图包括输入层、隐藏层、训练层等

输入层：主要是构建图的节点输入数据，主要是我们输入神经网络的权重（W）与偏差（biases）或者其他数据
隐藏层：本层是神经网络的内部结构，数据通过隐藏层降维计算后，输出给训练层，本层主要的算法就是神经网络的Activation Function（激励函数）
训练层：本层就是神经网络的核心层，主要对数据进行训练，达到设计目的，本层主要的核心就是Optimizer（优化器）

Activation Function（激励函数）:

激励函数 activation function

我们为什么要使用激励函数?这个问题需要讨论高等数学里面的线性函数（y=Wx+b）与非线性函数y=AF(Wx+b)（AF就是激励函数），虽然线性函数特别美好，但是它并不符合实际的数据应用。现实数据由于多种因素的存在，不会像我们想象的那么美好。且线性函数不能收敛，这在实际应用中，并不是所有的事情是符合线性关系。

直接构建神经网络的输入与输出是一个线性关系，如下：

线性神经网络

激励函数的实质是非线性方程。Tensorflow 的神经网络里面处理较为复杂的问题时都会运用激励函数 activation function。 通过加入激励函数可实现张量计算的非线性化，从而提升TensorFlow神经网络模型的泛化能力。如果不使用激励函数，神经网络的每层都只是做线性变换，即使是多层输入叠加后也还是线性变换。通过使用激励函数引入非线性因素后，使神经网络的训练更强大。

常用的激励函数主要有：

tf.nn.relu
tf.nn.relu6
tf.nn.elu
tf.nn.softplus
tf.nn.softsign
tf.nn.dropout
tf.nn.bias_add
tf.sigmoid
tf.tanh

在少量层结构中, 我们可以尝试很多种不同的激励函数，但在卷积神经网络CNN中, 推荐 relu. 在循环神经网络中RNN, 推荐的是 tanh 或者是 relu，当然你也可以尝试不同的激励函数

TensorFlow optimizer（优化器）

TensorFlow optimizer（优化器）主要用来训练神经网络（利用不同的算法来优化我们的神经网络）

常用的优化器主要有：

tf.train.Optimizer
 tf.train.GradientDescentOptimizer
 tf.train.AdadeltaOptimizer
 tf.train.AdagradOptimizer
 tf.train.AdagradDAOptimizer
 tf.train.MomentumOptimizer
 tf.train.AdamOptimizer
 tf.train.FtrlOptimizer
 tf.train.ProximalGradientDescentOptimizer
 tf.train.ProximalAdagradOptimizer
 tf.train.RMSPropOptimizer

具体每个优化器如何使用，大家可以参考官方的文档。

下期预告：

通过以上的介绍，我们简单了解了TensorFlow如何构建图，启动图以及激励函数与优化器的概念，下期通过代码介绍一个简单的例子介绍TensorFlow流程,（y=Wx+b）如何让TensorFlow训练，找到我们的（W，b）

TensorFlow神经网络