[淺談機器學習] #2 聊聊Tensorflow

Published in

Roye’s ResearchCraft

6 min readOct 4, 2018

Tensorflow 實作Iris 分類器比較

[前言]
大家好大家好，上一篇稍微介紹了一下機器學習的概念，發完那篇文之後，有發現其實也有其他大大解釋的很棒。也分享給各位朋友:文章連結
當然每個人的講的可能大同小異，就各位朋友可以多看看不同人的說法，說不定可以讓自己對Machine Learning有更多的了解。

再來聊聊這次講的主題Tensorflow吧，有鑑於其實大家都聽過Tensorflow，但是很多人對於他實際上到底是甚麼，怎麼支援我們完成Machine Learning都還有疑問，所以我想在這邊給大家簡單介紹一下。

Tensorflow

我相信上面那張圖大家已經看到不想再看了。

TensorFlow: A system for large-scale machine learning — Google AI

TensorFlow is a machine learning system that operates at large scale and in heterogeneous environments. TensorFlow uses…

ai.google

TensorFlow: A system for large-scale machine learning — Google AI TensorFlow:一套針對處理大型機器學習的系統

簡單來說，是一套由google所開發以及維護，用來協助進行”Machine Learning實作”的一套系統。當然你要把tensorflow當作一種程式語言的套件也是可以。

蛤? 甚麼意思? 聽不懂好籠統。協助進行Machine Learning? 怎樣協助? 協助甚麼?

這裡給一下我自己認為的Machine Learning的基本概念
(強調)基本而已喔 0.<* 要定義的話可以上wiki上面看。

那看完那篇Machine Learning的基本概念後，應該感覺到機器學習是由很多數學運算所構築而成的，數學光要用紙筆算就很困難了，還要用程式碼算，很多人應該想到這又開始頭痛了吧。

Tensorflow就是來協助大家完成這些數學跟架構的。

我們來用一個很簡單的例子來做說明:
我們現在用經典的例子Iris data set然後用python實作一個非常簡單的Neural Network 的Multi-Class Classifier分類器。

架構圖預定長這個樣子:

我在這邊不一步每一步講解怎麼實作的了，畢竟今天的主角不是Build a Neural Network from scratch。這邊請先往下滑不要看程式碼內容，因為洋洋灑灑也沒講解，沒註解跟沒推導，實在是不容易看得明白。

Multi-Class Classifier from scratch

謝謝大家的配合，沒有先看上面那一長串的code。但是我們可以看的到，整體來說大約要寫80–90行程式碼。

當然Code多不代表一定不好，程式的好壞不是看Code的多寡!!!

重點是我們裡面的Sigmoid function、Softmax function、weight的學習更新，以及Sigmoid function 跟 Softmax function的微分，這些在實作這個multi-class classifier的時候，全部都要我們自己實作。沒錯，全部! 所以實作起來會非常的花時間跟功夫。

接下來我們來看看用Tensorflow實作的版本，基本上兩邊的演算法一模一樣，參數也一模一樣，也是先不要看得太仔細，等看完文章，回頭再來慢慢看。

Multi-Class Classifier TF-Version

很好再次感謝大家，跳到這邊來，我裡面沒有放random_sampling，不過差不了多少。程式碼行數只剩下40行不到。我們下面來針對程式碼中幾個重點不同的地方做個比較說明。

Sigmoid Function

實作版:

TF版:

Softmax Function

實作版:

TF版:

Back-propagation:

實作版:

TF版:

TF的版本主要的差別，是很多數學上的運算都由TensorFlow的function以及物件來完成，像是學習更新Weight的這個動作，由TensorFlow的 GradientDescentOptimizer來幫忙完成，我們不需要了解backpropagation，不用了解sigmoid的微分方程，不用知道softmax的微分，這是一個多麼美好的世界是不是。

比較到這邊，我們來總結一下。