TensorFlow by Google神经网络深度学习的 Hello World Machine Learning Foundations: Ep #1 - What is ML?
传统的编码逻辑，写股票价格/营收的实现
传统的游戏逻辑
传统编码逻辑 和 机器学习逻辑
传统编码模式去识别运动类型：速度判断
机器学习识别运动模式：图片识别
入参X，计算出参Y，传统的方法是，先找到规律 Y = 2X - 1 ,实现编码。
TensorFlow 实现。
bit.ly/tfw-lab1
1. 神经网络深度学习的 Hello World
就像每一个第一个应用程序一样，你应该从一些超级简单的东西开始，展示你的代码如何工作的整体脚手架。
在创建神经网络的情况下，我喜欢使用的样本是学习两个数字之间关系的样本。因此，例如，如果您正在为这样的函数编写代码，那么您已经知道“规则”——
float my_function(float x){ float y = (3 * x) + 1; return y; } 那么你将如何训练一个神经网络来完成同样的任务呢？使用数据！通过用一组 X 和一组 Y 喂养它，它应该能够弄清楚它们之间的关系。
这显然是一个与您可能习惯的范式截然不同的范式，所以让我们一步一步地了解它。
1.1 导入依赖库
让我们从我们的导入依赖库开始。在这里，我们导入 TensorFlow 并将其称为 tf 以方便使用。
然后我们导入一个名为 numpy 的库，它帮助我们轻松快速地将数据表示为列表。
将神经网络定义为一组 Sequential 层的框架称为 keras，因此我们也将其导入。
import tensorflow as tf import numpy as np from tensorflow import keras 1.2 定义和编译神经网络
接下来我们将创建最简单的神经网络。它有 1 层，该层有 1 个神经元，它的输入形状只有 1 个值。
model = tf.keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])]) 现在我们编译我们的神经网络。当我们这样做时，我们必须指定 2 个函数，一个损失函数和一个优化器。
如果你看过很多机器学习数学，这里是它通常使用的地方，但在这种情况下，它很好地封装在函数中。但是这里发生了什么——让我们解释一下……
我们知道，在我们的函数中，数字之间的关系是 y=3x+1。
当计算机试图“学习”这一点时，它会进行猜测……也许 y=10x+10。LOSS 函数根据已知的正确答案来衡量猜测的答案，并衡量它的表现好坏。
然后它使用 OPTIMIZER 函数进行另一个猜测。根据损失函数的运行情况，它将尝试最小化损失。那时它可能会想出像 y=5x+5 这样的东西，虽然仍然很糟糕，但更接近正确的结果（即损失更低）
它将为您将很快看到的 EPOCHS 数量重复此操作。但首先，我们告诉它如何使用“均方误差”作为损失和“随机梯度下降”作为优化器。您还不需要了解这些的数学原理，但您可以看到它们是有效的！😃
随着时间的推移，您将学习针对不同场景的不同且适当的损失和优化器函数。
model.compile(optimizer='sgd', loss='mean_squared_error') 1.3 提供数据
接下来我们将输入一些数据。在这种情况下，我们采用 6 xs 和 6ys。你可以看到它们之间的关系是y=2x-1，所以x=-1，y=-3等等。
一个名为“Numpy”的 Python 库提供了许多数组类型的数据结构，这些数据结构是事实上的标准方法。我们通过将值指定为 np.array[] 来声明我们要使用这些
xs = np.array([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0], dtype=float) ys = np.array([-2.0, 1.0, 4.0, 7.0, 10.0, 13.0], dtype=float) 1.4 训练神经网络
训练神经网络的过程，它“学习”Xs 和 Ys 之间的关系是在model.fit 调用中。这是它将通过我们上面谈到的循环的地方，进行猜测，测量它的好坏（也就是损失），使用优化器进行另一个猜测等。它将按照您的时代数进行指定。运行此代码时，您会在右侧看到损失。
model.fit(xs, ys, epochs=500) Epoch 1/500 6/6 [==============================] - 0s 16ms/step - loss: 57.4875 Epoch 2/500 6/6 [==============================] - 0s 173us/step - loss: 45.2285 Epoch 3/500 6/6 [==============================] - 0s 171us/step - loss: 35.5836 Epoch 4/500 6/6 [==============================] - 0s 195us/step - loss: 27.9955 Epoch 5/500 好的，现在你有一个经过训练的模型来学习 X 和 Y 之间的关系。你可以使用model.predict方法让它为以前未知的 X 计算出 Y。所以，例如，如果 X = 10 ，你认为 Y 会是什么？在运行此代码之前先猜测一下：
print(model.predict([10.0])) [[ 31.00025749]] 你可能已经想到了 31，对吧？但它最终有点结束。你认为这是为什么？
请记住，神经网络处理概率，因此给定我们提供给 NN 的数据，它计算出 X 和 Y 之间的关系为 Y=3X+1 的概率非常高，但只有 6 个数据点我们可以不知道。因此，10 的结果非常接近 31，但不一定是 31。
当您使用神经网络时，您会看到这种模式反复出现。您几乎总是处理概率，而不是确定性，并且会进行一些编码以根据概率确定结果是什么，尤其是在分类方面。
2. 预测房价
bit.ly/tfw-ex1a
在本练习中，您将尝试构建一个神经网络，根据一个简单的公式预测房屋的价格。
所以，想象一下，如果房子定价像每间卧室的房子成本 50k + 50k 一样简单，那么 1 居室的房子成本 100k，2 居室的房子成本 150k 等等。
您将如何创建一个学习这种关系的神经网络，以便预测 7 间卧室的房子的成本接近 40 万等。
提示：如果您降低房价，您的网络可能会运行得更好。你不必给出 400 的答案…创建一些预测数字 4 的东西可能会更好，然后你的答案是“成百上千”等等。
import tensorflow as tf import numpy as np from tensorflow import keras model = tf.keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])]) model.compile(optimizer='sgd', loss='mean_squared_error') xs = np.array([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], dtype=float) ys = np.array([1.0, 1.5, 2.0, 2.5, 3.0, 3.5], dtype=float) model.fit(xs, ys, epochs=1000) print(model.predict([7.0])) Epoch 995/1000 1/1 [==============================] - 0s 4ms/step - loss: 1.8491e-06 Epoch 996/1000 1/1 [==============================] - 0s 10ms/step - loss: 1.8357e-06 Epoch 997/1000 1/1 [==============================] - 0s 4ms/step - loss: 1.8222e-06 Epoch 998/1000 1/1 [==============================] - 0s 4ms/step - loss: 1.8090e-06 Epoch 999/1000 1/1 [==============================] - 0s 5ms/step - loss: 1.7958e-06 Epoch 1000/1000 1/1 [==============================] - 0s 5ms/step - loss: 1.7828e-06 [[4.001926]] 参考
https://www.youtube.com/watch?v=_Z9TRANg4c0
