更多深度文章，请关注云计算频道：https://yq.aliyun.com/cloud
如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。
1：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：
1.1：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。
1.2：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。
1.3：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！
2：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。
1．检查神经网络是否可以提升传统算法。
2．做一个调查，哪个神经网络架构最适合即将解决的问题。
3．通过你选择的语言/库来定义神经网络架构。
4．将数据转换为正确的格式，并将其分成批。
5．根据你的需要预处理数据。
6．增加数据以增加规模并制作更好的训练模型。
7．将数据批次送入神经网络。
8．训练和监测训练集和验证数据集的变化。
9．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：
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。“
如果你之前曾经使用过numpy，那么了解TensorFlow将会是小菜一碟！numpy和TensorFlow之间的一个主要区别是TensorFlow遵循一个“懒惰”的编程范例。它首先建立所有要完成的操作图形，然后当一个“会话”被调用时，它再“运行”图形。构建一个计算图可以被认为是TensorFlow的主要成分。要了解更多关于计算图的数学构成，请阅读这篇文章。
TensorFlow不仅仅是一个强大的神经网络库。它可以让你在其上构建其他机器学习算法，如决策树或k最近邻。
使用TensorFlow的优点是：
1.它有一个直观的结构，因为顾名思义，它有一个“张量流”。 你可以很容易地看到图的每一个部分。
2.轻松地在CPU / GPU上进行分布式计算。
3.平台灵活性。你可以在任何地方运行模型，无论是在移动设备，服务器还是PC上。
3.典型的“张量流”
每个库都有自己的“实施细节”，即按照其编码模式编写的一种方法。例如，在执行scikit-learn时，首先创建所需算法的对象，然后在训练集上构建一个模型，并对测试集进行预测。例如：
# define hyperparamters of ML algorithm
clf = svm.SVC(gamma=0.001, C=100.)
# train
clf.fit(X, y)
# test
clf.predict(X_test)正如我刚才所说，TensorFlow遵循一个“懒惰”的方法。
在TensorFlow中运行程序的通常工作流程如下所示：
1．建立一个计算图。这可以是TensorFlow支持的任何数学操作。
2．初始化变量。
3．创建会话。
4．在会话中运行图形。
5．关闭会话。
接下来，让我们写一个小程序来添加两个数字！
# import tensorflow
import tensorflow as tf
# build computational graph
a = tf.placeholder(tf.int16)
b = tf.placeholder(tf.int16)
addition = tf.add(a, b)
# initialize variables
init = tf.initialize_all_variables()
# create session and run the graph
with tf.Session() as sess:
sess.run(init)
print "Addition: %i" % sess.run(addition, feed_dict={a: 2, b: 3})
# close session
sess.close()4.在TensorFlow中实现神经网络
注意：我们可以使用不同的神经网络体系结构来解决这个问题，但是为了简单起见，我们需要实现前馈多层感知器。
神经网络的常见的实现如下：
1.定义要编译的神经网络体系结构。
2.将数据传输到你的模型。
3.将数据首先分成批次，然后进行预处理。
4.然后将其加入神经网络进行训练。
5.显示特定的时间步数的准确度。
6.训练结束后保存模型以供将来使用。
7.在新数据上测试模型并检查其执行情况。
我们的问题是识别来自给定的28x28图像的数字。我们有一部分图像用于训练，剩下的则用于测试我们的模型。所以首先下载数据集，数据集包含数据集中所有图像的压缩文件：train.csv和test.csv。数据集中不提供任何附加功能，只是以“.png”格式的原始图像。
我们将使用TensorFlow来建立一个神经网络模型。所以你应该先在你的系统中安装TensorFlow。 根据你的系统规格，请参阅官方安装指南进行安装。
我们将按照上述模板进行操作。用Python 2.7内核创建一个Jupyter笔记本，并按照下面的步骤。
导入所有必需的模块：
%pylab inline
import os
import numpy as np
import pandas as pd
from scipy.misc import imread
from sklearn.metrics import accuracy_score
import tensorflow as tf设置初始值，以便我们可以控制模型的随机性：
# To stop potential randomness
seed = 128
rng = np.random.RandomState(seed)第一步是设置保管目录路径：
root_dir = os.path.abspath('../..')
data_dir = os.path.join(root_dir, 'data')
sub_dir = os.path.join(root_dir, 'sub')
# check for existence
os.path.exists(root_dir)
os.path.exists(data_dir)
os.path.exists(sub_dir)让我们看看数据集。这些格式为CSV格式，并且具有相应标签的文件名：
train = pd.read_csv(os.path.join(data_dir, 'Train', 'train.csv'))
test = pd.read_csv(os.path.join(data_dir, 'Test.csv'))
sample_submission = pd.read_csv(os.path.join(data_dir, 'Sample_Submission.csv'))
train.head()
让我们看看我们的数据是什么样的！
img_name = rng.choice(train.filename)
filepath = os.path.join(data_dir, 'Train', 'Images', 'train', img_name)
img = imread(filepath, flatten=True)
pylab.imshow(img, cmap='gray')
pylab.axis('off')
pylab.show()
上面的图像表示为numpy数组，如下所示：
为了更简单的数据处理，让我们将所有的图像存储为numpy数组：
temp = []
for img_name in train.filename:
image_path = os.path.join(data_dir, 'Train', 'Images', 'train', img_name)
img = imread(image_path, flatten=True)
img = img.astype('float32')
temp.append(img)
train_x = np.stack(temp)
temp = []
for img_name in test.filename:
image_path = os.path.join(data_dir, 'Train', 'Images', 'test', img_name)
img = imread(image_path, flatten=True)
img = img.astype('float32')
temp.append(img)
test_x = np.stack(temp)由于这是一个典型的ML问题，为了测试我们模型的正确功能，我们创建了一个验证集。
split_size = int(train_x.shape[0]*0.7)
train_x, val_x = train_x[:split_size], train_x[split_size:]
train_y, val_y = train.label.values[:split_size], train.label.values[split_size:]现在，我们定义一些辅助函数，我们稍后使用它：
def dense_to_one_hot(labels_dense, num_classes=10):
"""Convert class labels from scalars to one-hot vectors"""
num_labels = labels_dense.shape[0]
index_offset = np.arange(num_labels) * num_classes
labels_one_hot = np.zeros((num_labels, num_classes))
labels_one_hot.flat[index_offset + labels_dense.ravel()] = 1
return labels_one_hot
def preproc(unclean_batch_x):
"""Convert values to range 0-1"""
temp_batch = unclean_batch_x / unclean_batch_x.max()
return temp_batch
def batch_creator(batch_size, dataset_length, dataset_name):
"""Create batch with random samples and return appropriate format"""
batch_mask = rng.choice(dataset_length, batch_size)
batch_x = eval(dataset_name + '_x')[[batch_mask]].reshape(-1, input_num_units)
batch_x = preproc(batch_x)
if dataset_name == 'train':
batch_y = eval(dataset_name).ix[batch_mask, 'label'].values
batch_y = dense_to_one_hot(batch_y)
return batch_x, batch_y我们来定义我们的神经网络架构。我们定义了一个三层神经网络：输入，隐藏和输出。输入和输出中神经元的数量是固定的，因为输入的是28x28图像，输出的是10x1向量。我们隐藏层中有500个神经元。这个数字可以根据你的需要而有所不同。阅读文章以获得完整的代码，并深入了解它的工作原理。
本文由阿里云云栖社区组织翻译。
文章原标题《An Introduction to Implementing Neural Networks Using TensorFlow》
作者：Faizan Shaikh 数据科学家 印度人 译者：虎说八道
文章为简译，更为详细的内容，请查看原文
