Tất cả các dự án trên TensorFlow tôi đã thấy trong GitHub đều triển khai một số loại mô hình Mạng thần kinh. Với TensorFlow là một cải tiến so với DAG (nó không phải là chu kỳ nữa), tôi đã tự hỏi liệu một số thiếu sót vốn có làm cho nó không phù hợp với mô hình học máy nói chung?
Trong Mô hình tính toán của TensorFlow, có thể thực hiện các thuật toán học máy nói chung không?
Câu trả lời:
Đây là một chút của một hoại tử, nhưng nếu bạn vẫn quan tâm, đây là một bộ hướng dẫn kéo căng chung giải thích làm thế nào để chạy mọi thứ trong dòng chảy căng. Nó bao gồm các ví dụ về thực hiện hồi quy hàng xóm và tuyến tính gần nhất, vì vậy nó sẽ giúp với câu hỏi ban đầu của bạn.
https://github.com/aymericdamien/TensorFlow-Examples
Ngoài ra, đây là hướng dẫn tenorflow gốc để thực hiện các phương trình vi phân trong tenorflow. Cung cấp cho bạn một ý tưởng về tính linh hoạt của biểu đồ tính toán kéo căng.
https://www.tensorflow.org/versions/r0.9/tutorials/pdes/index.html
Với TensorFlow, bạn có thể thực hiện bất kỳ thuật toán học máy nào dựa trên độ dốc gốc và backpropagation (quy tắc chuỗi) hoặc có thể được trình bày lại như vậy. Điều đó bao gồm hồi quy logistic, máy vectơ hỗ trợ và nhiều thứ khác. Nhưng tôi sẽ không biết cách triển khai rừng ngẫu nhiên trong TensorFlow.
Một vài thao tác numpy được nhân đôi trong TensorFlow, vì vậy nếu bạn có thể thực hiện nó trong numpy, việc chuyển sang TensorFlow có thể đơn giản. Chẳng hạn, đây là một ví dụ về phân cụm K-nghĩa: /programming/33621643/how-would-i-im vây-k-means-with-tensorflow