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。
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。
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：
- 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。
- 轻松地在CPU / GPU上进行分布式计算。
- 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。
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：
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：
- 建立一个计算图。这可以是TensorFlow支持的任何数学操作。
- 初始化变量。
- 创建会话。
- 在会话中运行图形。
- 关闭会话。
接下来，让我们写一个小程序来添加两个数字！
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：
- 定义要编译的神经网络体系结构。
- 将数据传输到你的模型。
- 将数据首先分成批次，然后进行预处理。
- 然后将其加入神经网络进行训练。
- 显示特定的时间步数的准确度。
- 训练结束后保存模型以供将来使用。
- 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：
设置初始值，以便我们可以控制模型的随机性：
第一步是设置保管目录路径：
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：
让我们看看我们的数据是什么样的！
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：
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。
现在，我们定义一些辅助函数，我们稍后使用它：
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。
原文发布时间为：2017-11-25
