TensorFlow 簡介：機器學習技術使用入門 丨 Google 開發者大會 2018

Google 開發者大會 (Google Developer Days，簡稱 GDD) 是展示 Google 最新開發者產品和平臺的全球盛會，旨在幫助你快速開發優質應用，發展和留住活躍使用者群，充分利用各種工具獲得更多收益。2018 Google 開發者大會於 9 月 20 日和 21 日於上海舉辦。?Google 開發者大會 2018 掘金專題

2018 年 9 月 20 日 Laurence Moroney（Google 開發者技術推廣工程師）與付弋真（Google Brain 的軟體工程師）帶來一場《TensorFlow 簡介：機器學習技術使用入門》的演講，本文將對演講做一個回顧。

機器學習與傳統程式設計

TensorFlow 是一個採用資料流圖（data flow graphs），用於數值計算的開源軟體庫。節點（Nodes）在圖中表示數學操作，圖中的線（edges）則表示在節點間相互聯絡的多維資料陣列，即張量（tensor）。它靈活的架構讓你可以在多種平臺上展開計算，例如臺式計算機中的一個或多個CPU（或GPU），伺服器，移動裝置等等。TensorFlow 最初由Google大腦小組（隸屬於Google機器智慧研究機構）的研究員和工程師們開發出來，用於機器學習和深度神經網路方面的研究，但這個系統的通用性使其也可廣泛用於其他計算領域。

Laurence Moroney講述了他所經歷的變革：

• 網頁的變革從程式設計師的角度上來說，網頁改變了人們所有的一切。通過網頁，程式設計師們可以寫出讓上億的使用者接觸到的程式。這場變革帶了新的商業模式，比如谷歌、百度、淘寶等等。
• 智慧手機也帶來了一場變革，同樣也帶來了像滴滴和 Uber 這樣的商業體驗。
• 我們正在面臨下個變革，也就是機器學習的變革。

如上圖所示，Laurence Moroney認為人工智慧正處在技術萌芽觸發期與期望膨脹頂峰期之間。

運動檢測APP場景

在藉助手機速度感測器的幫助下，我們可以獲取當前使用者的速度，然後再使用程式碼進行判斷。

• speed < 4 定義為步行，
• 4 <= speed < 12 定義為跑，
• speed > 12 定義為騎車。

一些簡單的運動場景可以通過上述型別的方式進行檢測，倘若像使用者在打高爾夫這種複雜的運動場景是無法被檢測出來，而機器學習可以幫我們解決在這個問題。

傳統程式設計方式是設定規則和資料，從而給出答案。通過Java、Python、C++等語言來編寫規則，在輸入一些資料之後打包編譯成程式，給出答案，簡單運動檢測APP就是這樣實現的。

機器學習需要程式設計師提供答案和資料，給答案打上標籤，在資料的配合之下，機器會自己研究出規則。

在機器學習的環境下，程式設計師們需要提供上述所示資料和標籤，機器自己會找出資料之間的關聯，從而得到規則，而不再需要程式設計師自己去定義複雜的規則。這樣會變得更加智慧化，在能檢測簡單的運動狀態的同時，也能夠檢測出向打高爾夫這樣難以用規則去判斷的複雜的運動狀態。

在學習新的事物時，我們的大腦往往是先得到答案和資料，從而總結出經驗規律，這也是機器學習所想要實現的。在玩井字棋（如下圖所示），一開始我們只是瞭解這個遊戲的規則和玩法，但是如何贏得比賽就需要數盤的遊戲經歷，從中總結出經驗。

機器學習就是在模仿人類，通過大量的資料和標籤，得到規則，從而解決問題。讓機器像人一樣學習，這是機器學習所要走的第一步。

在機器學習的程式設計中，第一個階段為訓練階段，程式設計師需要提供資料和答案（標籤），從而得到模型。第二個是推理階段，給模型提供資料，它會做出相應的預測。

程式碼實踐( 付弋真主講 )

數字之間關係

下面有兩列數字，X 和 Y 之間存在關係。將數字提供給機器，希望機器像人腦一樣學習，從而給出數字之間的關係。

有一定數學基礎的同學，應該很快能夠給出 X 和 Y 之間的關係為：2x - 1 = y。我們在看到這些數字之後，大腦會嘗試去找出一些規律，利用我們所擁有的數學經驗，進行猜測，猜測的驗證結果是正確，所以得到了這個方程式。那通過機器學習如何做到這一點呢？

from tensorflow import keras
import numpy as np

model = keras.Sequential([keras.layers.Dense(units = 1, input_shape = [1])])
model.compile(optimizer = 'sgd', loss = 'mean_squared_error')

xs = np.array([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0], dtype = float)
ys = np.array([-3.0, -1.0, 1.0, 3.0, 5.0, 7.0], dtype = float)

model.fit(xs, ys, epochs = 500)

print(model.predict([10.0]))
複製程式碼

結果如下：

通過機器學習我們得到值為18.976957，而並不是 19，因為神經網路存在很多種可能性，機器給出的是一個預測的結果而不是一個準確無誤的結果。

識別不同的衣服

上圖中有8中不同的衣服，作為人類我們可以分辨每個衣服的種類。那機器能否做到這一點呢？

Fashion-MNIST是一個替代MNIST手寫數字集的影象資料集。 它是由Zalando（一家德國的時尚科技公司）旗下的研究部門提供。其涵蓋了來自10種類別的共7萬個不同商品的正面圖片。Fashion-MNIST的大小、格式和訓練集/測試集劃分與原始的MNIST完全一致。60000/10000的訓練測試資料劃分，28x28的灰度圖片。

通過 Fashion-MNIST 資料集，可以對我們的模型進行訓練，不斷地優化，從而提高識別準確率。

import tensorflow as tf
from tensorflow import keras
import numpy as np

# Import the Data
fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, teat_labels) = fashion_mnist.load_data()

# Normalize the data 
train_images = train_images / 255.0
test_images = test_images / 255.0

#Define the model
model = keras.Sequential([
    keras.layers.Flatten(inport_shape = (28,28)),
    keras.layers.Dense(128, activation = tf.nn.relu),
    keras.layers.Dense(10, activation = tf.nn.softmax),
])

model.compile(oprimizer = tf.train.AdadeltaOptimizer(),loss = 'sparse_categorical_crossentropy',metrics=['accuracy'])

#Train the model
model.fit(train_images, train_labels, epochs = 5, verbose = 2)

predictions = model.predict(test_images)

print(test_images[4560])
print(np.argmax(predictions[4560]))
複製程式碼

執行結果如下：

在設定5次迭代的前提下，本模型的成功率為 71% 。神經網路可以通過更多的訓練，從而提高準確率。

以上就是本次演講的全部內容，希望對大家有所幫助。 閱讀更多 Google 開發者大會 2018 技術乾貨