1.3 神经网络入门-梯度降低与Transorflow基础

1.3 梯度降低与Transorflow基础

关于梯度降低的解能够参考这篇文章：www.jianshu.com/p/bf50fc0aa…

Transorflow基础

• Google Brain的第二代机器学习框架

• 开源社区活跃

• 可扩展性强

• API建全，对用户友好

• 计算图模型

  • 命令式编程

    

  • 声明式编程

    

  • 命令式编程和声明式编程对比

    

    声明式编程的优势：获得计算图以后，不少计算图通用的特性就能够利用的上了，好比一个神经网络有多层，每一层的计算是类似的，因此曾与层直接的求导方式也是类似的，咱们能够写一个通用的函数附加到神经网络上，这样的函数能够针对任意参数的神经网络去计算，这个时候若是有一个新的神经网络的话，我就不用去写一个新的函数去求导；

    而命令式编程却作不到，觉得他的变量都是本身定义的

  • 神经网络的模型是实现设定好的，可是数据先前是不知道的，因此须要定义好神经网络以后，才能把数据输入进来，去调整参数，使得神经网络能够去符合这个数据，因此这就是Transorflow框架使用计算图模型的基础