章敏敏,，徐和平,，王曉潔,，周夢昀,，洪淑月
?。ㄕ憬瓗煼洞髮W(xué) 數(shù)理與信息工程學(xué)院，浙江 金華 321004）
摘要：TensorFlow是谷歌的第二代開源的人工智能學(xué)習(xí)系統(tǒng),，是用來實現(xiàn)神經(jīng)網(wǎng)絡(luò)的內(nèi)置框架學(xué)習(xí)軟件庫,。目前，TensorFlow機器學(xué)習(xí)已經(jīng)成為了一個研究熱點,。由基本的機器學(xué)習(xí)算法入手,，簡析機器學(xué)習(xí)算法與TensorFlow框架，并通過在Linux系統(tǒng)下搭建環(huán)境,，仿真手寫字符識別的TensorFlow模型,，實現(xiàn)手寫字符的識別，從而實現(xiàn)TensorFlow機器學(xué)習(xí)框架的學(xué)習(xí)與應(yīng)用,。
關(guān)鍵詞：TensorFlow,；機器學(xué)習(xí)；應(yīng)用
中圖分類號：TP181文獻標識碼：ADOI： 10.19358/j.issn.1674-7720.2017.10.017
引用格式：章敏敏,，徐和平,，王曉潔，等.谷歌TensorFlow機器學(xué)習(xí)框架及應(yīng)用［J］.微型機與應(yīng)用,，2017,36（10）：58-60.
0引言
機器學(xué)習(xí)是一門多領(lǐng)域交叉的學(xué)科,，能夠?qū)崿F(xiàn)計算機模擬或者實現(xiàn)人類的學(xué)習(xí)行為，重構(gòu)自己的知識結(jié)構(gòu)從而改善自身的性能,。2016年初,，AlphaGo以大比分戰(zhàn)勝李世石，AI的概念從此進入人們的視野,，而機器學(xué)習(xí)就是AI的核心,，是使計算機具有智能的根本途徑。TensorFlow是谷歌的第二代人工智能學(xué)習(xí)系統(tǒng),，是用來制作AlphaGo的一個開源的深度學(xué)習(xí)系統(tǒng),。
1機器學(xué)習(xí)
可以舉一個簡單的例子來說明機器學(xué)習(xí)的概念，使用k近鄰算法改進交友網(wǎng)站的配對效果［1］,。比如說你現(xiàn)在想要在交友網(wǎng)站上認識一個朋友,，而交友網(wǎng)站上擁有每個注冊用戶的兩個信息（玩視頻游戲所耗時間的百分比和每年獲取的飛行常客里程數(shù)）,，你想知道你會對哪些人比較感興趣,，這時候就可以使用機器學(xué)習(xí)算法建立一個簡單的模型?？梢詫⒁恍┳约赫J為有魅力的人,、魅力一般的人、不喜歡的人的這兩個信息（玩視頻游戲所耗時間的百分比和每年獲取的飛行?？屠锍虜?shù)）輸入機器學(xué)習(xí)算法建立一個模型,，如圖1所示,。當你想知道一個用戶是不是你感興趣交友的人時，輸入信息,，計算機通過這個模型進行計算,，可以給你一個預(yù)測答案，這就是一種經(jīng)典的監(jiān)督學(xué)習(xí)算法,。
機器學(xué)習(xí)算法有很多種類,，上述例子說明的監(jiān)督學(xué)習(xí)算法只是其中的一類。如果換種方式去實現(xiàn)這個結(jié)果,，你有一堆如上的數(shù)據(jù),，但是并不對這些數(shù)據(jù)進行分類，讓算法按照數(shù)據(jù)的分散方式來觀察這些數(shù)據(jù),，發(fā)現(xiàn)數(shù)據(jù)形成了一些聚類,，如圖2所示，而通過這種方法,，能夠把這些數(shù)據(jù)自動地分類,，這就是一種無監(jiān)督學(xué)習(xí)算法。
機器學(xué)習(xí)的算法有很多,，再比如用學(xué)習(xí)型算法來判斷你需要多少訓(xùn)練信息,，用什么樣的更好的近似函數(shù)能夠反映數(shù)據(jù)之間的關(guān)系，使得用最少的訓(xùn)練信息獲得更準確的判斷,。
機器學(xué)習(xí)就是當機器想要完成一個任務(wù),，通過它不斷地積累經(jīng)驗，來逐漸更好,、差錯減少地完成一個任務(wù),。
2TensorFlow的框架
2.1TensorFlow輸入張量
TensorFlow的命名來源于本身的運行原理。Tensor（張量）意味著N維數(shù)組,，F(xiàn)low（流）意味著基于數(shù)據(jù)流圖的計算,。用MNIST機器學(xué)習(xí)［23］這個例子來解釋一個用于預(yù)測圖片里面的數(shù)字的模型。
首先要先獲得一個MNIST數(shù)據(jù)集,，如圖3所示,，這個數(shù)據(jù)集能夠在TensorFlow官網(wǎng)上進行下載。每一個MNIST數(shù)據(jù)單元由一張包含手寫數(shù)字的圖片和一個對應(yīng)的標簽兩部分組成,。把這些圖片設(shè)為“xs”,，把這些標簽設(shè)為“ys”。MNIST數(shù)據(jù)集擁有60 000行的訓(xùn)練數(shù)據(jù)集（mnist.train）和10 000行的測試數(shù)據(jù)集（mnist.test）,。
每一張圖片包含28×28個像素點,。可以用一個數(shù)字數(shù)組來表示這張圖片：把這個數(shù)組展開成一個向量，長度是784,。在MNIST訓(xùn)練數(shù)據(jù)集中,，mnist.train.images（訓(xùn)練數(shù)集中的圖片）是一個 ［60 000, 784］ 的張量，如圖4所示,，第一個維度數(shù)字用來對應(yīng)每張圖片，第二個維度數(shù)字用來索引每張圖片中的像素點,。在此張量里的每一個元素,，都表示為某張圖片里的某個像素的介于0和1之間的強度值。
相對應(yīng)的標簽是從0到9的數(shù)字,，用來描述給定圖片里表示的數(shù)字,。每個數(shù)字對應(yīng)著相應(yīng)位置1，如標簽0表示為［1,0,0,0,0,0,0,0,0,0］,，因此mnist.train.labels是一個 ［60 000, 10］ 的數(shù)字矩陣,，如圖5所示。
如上述的這兩個數(shù)組都是二維數(shù)組,，都是TensorFlow中的張量數(shù)據(jù)［4］,，而這些數(shù)據(jù)就以流的形式進入數(shù)據(jù)運算的各個節(jié)點。而以機器算法為核心所構(gòu)造的模型就是數(shù)據(jù)流動的場所,。TensorFlow就是一個是文件庫,，研究人員和計算機科學(xué)家能夠借助這個文件庫打造分析圖像和語音等數(shù)據(jù)的系統(tǒng)，計算機在此類系統(tǒng)的幫助下,，將能夠自行作出決定,，從而變得更加智能。
2.2TensorFlow代碼框架
TensorFlow是一個非常靈活的框架,，它能夠運行在個人計算機或者服務(wù)器的單個或多個CPU和GPU上,，甚至是移動設(shè)備上。
可以從上面舉例的MNIST機器學(xué)習(xí)來分析TensorFlow的框架,。首先,，要構(gòu)建一個計算的過程。MNIST所用到的算法核心就是softmax回歸算法,，這個算法就是通過對已知訓(xùn)練數(shù)據(jù)同個標簽的像素加權(quán)平均,，來構(gòu)建出每個標簽在不同像素點上的權(quán)值，若是這個像素點具有有利的證據(jù)說明這張圖片不屬于這類,，那么相應(yīng)的權(quán)值為負數(shù),，相反若是這個像素擁有有利的證據(jù)支持這張圖片屬于這個類，那么權(quán)值是正數(shù),。
因為輸入往往會帶有一些無關(guān)的干擾量,，于是加入一個額外的偏置量（bias）。因此對于給定的輸入圖片x它代表的是數(shù)字i的證據(jù)，可以表示為：
evidencei=∑jWi,jxj+bi(1)
其中Wi,j表示權(quán)值的矩陣,，xj為給定圖片的像素點,，bi代表數(shù)字i類的偏置量。
在這里不給出詳細的推導(dǎo)過程,，但是可以得到一個計算出一個圖片對應(yīng)每個標簽的概率大小的計算方式,，可以通過如下的代碼來得到一個概率分布：
y=softmax(Wx+b)(2)
建立好一個算法模型之后，算法內(nèi)輸入的所有可操作的交互單元就像式（2）中的圖片輸入x,，為了適應(yīng)所有的圖片輸入,，將其設(shè)置為變量占位符placeholder。而像權(quán)重W和偏置值b這兩個通過學(xué)習(xí)不斷修改值的單元設(shè)置為變量Variable,。
train_step=tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
TensorFlow在這一步就是在后臺給描述計算的那張圖里面增添一系列新的計算操作單元用來實現(xiàn)反向傳播算法和梯度下降算法,。它返回一個單一的操作，當運行這個操作時,，可以用梯度下降算法來訓(xùn)練模型,，微調(diào)變量，不斷減少成本,，從而建立好一個基本模型,。
建立好模型之后，創(chuàng)建一個會話（Session）,，循環(huán)1 000次,，每次批處理100個數(shù)據(jù)，開始數(shù)據(jù)訓(xùn)練,，代碼如下：
sess= tf.InteractiveSession()
for i in range(1000):
batch_xs,batch_ys=mnist.train.next_batch(100)
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
TensorFlow通過數(shù)據(jù)輸入（Feeds）將張量數(shù)據(jù)輸入至模型中,，而張量Tensor就像數(shù)據(jù)流一樣流過每個計算節(jié)點，微調(diào)變量,，使得模型更加準確,。
通過這個例子，可以管中窺豹了解TensorFlow的框架結(jié)構(gòu),，TensorFlow對于輸入的計算過程在后臺描述成計算圖,，計算圖建立好之后，創(chuàng)建會話Session來提交計算圖,，用Feed輸入訓(xùn)練的張量數(shù)據(jù),，TensorFlow通過在后臺增加計算操作單元用于訓(xùn)練模型，微調(diào)數(shù)據(jù),，從而完成一個機器的學(xué)習(xí)任務(wù)［5］,。
3TensorFlow的應(yīng)用
TensorFlow的支持列表里沒有Windows,而人們使用的計算機大都是安裝的Windows系統(tǒng)，雖然可以用Docker來實現(xiàn)在Windows上運行,，但小問題很多,，它支持得最好的還是基于UNIX內(nèi)核的系統(tǒng)［6］,例如Linux,，因此選擇Ubuntu 15.10。
安裝成功之后,，可以測試一下上述MNIST_sotfmax的模型,。在程序中加入可以判斷其預(yù)測概率的代碼：
correct_prediction=tf.equal(tf.argmax(y,1), tf.argmax(y_, 1))
當tf.argmax(y, 1)預(yù)測值與tf.argmax(y_, 1)正確值相等的時候判斷其為正確的預(yù)測:
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
accuracy用來計算預(yù)測與完全錯誤判斷之間的距離，也就是正確率,，最后將它打印在顯示屏上,。
在導(dǎo)入代碼之前，要先給予終端最高權(quán)限,，不然在導(dǎo)入代碼的時候會顯示權(quán)限限制,。成功導(dǎo)入代碼后，命令行打印出測試結(jié)果的正確率,，如圖6所示為0.919 1。當然
這只是最簡單的一個模型,，有許多算法模型的正確率可以達到0.997左右,。
4結(jié)論
TensorFlow是一個很好的利用機器學(xué)習(xí)算法的框架，而它的優(yōu)勢在于深度學(xué)習(xí)系統(tǒng)的構(gòu)建,，雖然在本文中沒有涉及,，但是從實驗仿真中可以看到TensorFlow的模型構(gòu)建簡便，訓(xùn)練速度快,。
參考文獻
?。?］ HARRINGTON P.機器學(xué)習(xí)實戰(zhàn)［M］.李銳，李鵬,，曲亞東,，等,譯.北京：人民郵電出版社，2013.
?。?］ TensorFlow官方文檔中文版［EB/OL］.(2015-11-18)［2016-11-25］http://wiki.jikexueyuan.com/project/tensorflowzh/.
?。?］ TensorFlow官方網(wǎng)站［EB/OL］.［2016-11-25］https://www.tensorflow.org/.
［4］ TensorFlow架構(gòu)［EB/OL］.(2016-06-12)［2016-11-25］http://blog.csdn.net/stdcoutzyx/article/details/51645396.
?。?］ Google TensorFlow機器學(xué)習(xí)框架介紹和使用［EB/OL］.(2015-12-15)［2016-11-25］http://blog.csdn.net/sinat_31628525/article/details/50320817.
?。?］ 張俊，李鑫.TensorFlow平臺下的手寫字符識別［J］.電腦知識及技術(shù),，2016,，12(16):199-201.