從2015年發(fā)布以來(lái)，TensorFlow一直以人工智能、機(jī)器學(xué)習(xí)和預(yù)測(cè)分析為核心推動(dòng)機(jī)器學(xué)習(xí)的進(jìn)步。憑借本身靈活的架構(gòu)，TensorFlow提供了令人難以置信的并行性數(shù)值計(jì)算能力，吸引了很多企業(yè)。

TensorFlow建立在跨多個(gè)系統(tǒng)的有狀態(tài)數(shù)據(jù)流圖上，支持并行處理——數(shù)據(jù)可以被有效利用而不需要PB數(shù)據(jù)。無(wú)需大量數(shù)據(jù)就可利用TensorFlow，接下來(lái)作者會(huì)通過(guò)演示解釋如何使用TensorFlow在文本中構(gòu)建線性回歸。利用好TensorFlow，對(duì)于管理人員來(lái)講顯得更加重要。

線性回歸概述

線性建模是一種相對(duì)簡(jiǎn)單的數(shù)學(xué)方法，如果使用得當(dāng)，可以幫助企業(yè)和用戶預(yù)測(cè)建模行為。線性建模允許用戶基于數(shù)據(jù)集中的值創(chuàng)建模式，然后使用該模式來(lái)預(yù)測(cè)不屬于用戶的集合或其他值。

在數(shù)學(xué)中，線性回歸是確定變量的線性組合系數(shù)的方法：

線性回歸要求數(shù)量之間得到關(guān)系是線性的，舉個(gè)例子，設(shè)關(guān)于y的多項(xiàng)式為：

這種情況下，如果想要讓關(guān)于y的多項(xiàng)式為線性，必須給出x和x^ 2的值。再舉個(gè)例子，我們所熟知的拋物線方程：

其中d是行駛距離，v是速度，a是重力加速度。我們可以利用線性回歸確定系數(shù)v和a的一組數(shù)值，從而得出d的值。同樣的方法，也可以利用銷售情況來(lái)預(yù)計(jì)庫(kù)存量。

TensorFlow應(yīng)用程序

現(xiàn)在讓我們看一下TensorFlow到底對(duì)我們有什么實(shí)際的用處。假設(shè)我們有一組一年中看電影的人的出席數(shù)據(jù)集，然后我們就可以利用TensorFlow占位符設(shè)置變量。注意，變量是執(zhí)行時(shí)填入的。

在這個(gè)式子中我們需要設(shè)定的是重量值、偏差以及預(yù)測(cè)變量。TensorFlow利用這個(gè)變量構(gòu)造函數(shù)，最終成為任何類型的張量（tensor）。

損失函數(shù)也會(huì)隨著時(shí)間的推移測(cè)量觀察和預(yù)測(cè)之間的差值：

TensorFlow將優(yōu)化器定義為“計(jì)算損失梯度并將梯度應(yīng)用于變量的方法”。在以下的代碼示例中，就使用了GradientDescentOptimizer：

我們通過(guò)創(chuàng)建一個(gè)會(huì)話來(lái)告訴TensorFlow初始化圖中的所有變量：

最后，訓(xùn)練數(shù)據(jù)得出結(jié)果：

Python中有一個(gè)非常簡(jiǎn)單的show（）命令會(huì)以圖形的方式顯示結(jié)果：

上圖中的直線向我們展示了全年中看電影的人數(shù)的線性回歸預(yù)測(cè)。這些數(shù)據(jù)可以幫助管理人員分配全年劇院工作人員的工作。

結(jié)論

TensorFlow是一款令人難以置信的、不斷推動(dòng)機(jī)器學(xué)習(xí)和人工智能發(fā)展的敏捷工具。結(jié)合Python和統(tǒng)計(jì)的一些基本知識(shí)很容易實(shí)現(xiàn)預(yù)測(cè)分析中的實(shí)際應(yīng)用。如果將TensorFlow和掌握的數(shù)據(jù)相結(jié)合，可以產(chǎn)生一些非常具有洞察力的業(yè)務(wù)應(yīng)用程序，這些應(yīng)用程序?qū)?huì)改變企業(yè)的決策。結(jié)合TensorFlow的可擴(kuò)展性和在Android等系統(tǒng)運(yùn)行的能力，用戶的洞察會(huì)更加適用于不同的用戶群，并且更易于訪問(wèn)。