書本代碼：https://gitee.com/fraternalkevin/TensorflowGoogle

自己是從一個只會C語言和Matlab的別的專業(yè)轉(zhuǎn)過來的，第一次接觸神經(jīng)網(wǎng)絡(luò)還是在課堂中，說是使用python這個最簡單的編程語言來寫的。因為自己當時很迷茫，我到底是學習C++還是JAVA呢，畢竟C++和JAVA已經(jīng)活了很多年，仍然屹立不倒。之后發(fā)現(xiàn)python已經(jīng)大伙了，才開始下定決心學習python，接著就是tensorflow。

我當初學習神經(jīng)網(wǎng)絡(luò)直接看的視頻就是吳恩達教授的深度學習視頻，邊學習邊做筆記，記錄了一大堆公式，還好自己數(shù)學功底功底不是很差，然后我就跟著一步一步的推導，一步一步前進，一個視頻看不懂我就多看幾次。我是真的通過吳恩達教授的視頻步步推導的，前期真的很難，往往總是會陷入維度中不解。后來看的多了，推導的多了，我也就發(fā)現(xiàn)我自己都已經(jīng)記住了，后來因為工作需要，給另一個外校的同學講了一下。我自己拿起以前的筆記重新整理了思路之后發(fā)現(xiàn)原來我已經(jīng)掌握了。我當時很高興。然后我開始自己編寫關(guān)于全連接神經(jīng)網(wǎng)絡(luò)，我在百度上找代碼，就算是softmax函數(shù)都是自己寫的，梯度下降算法。這個過程讓我開始接觸python同時也加深了我對全連接神經(jīng)網(wǎng)絡(luò)中算法推導。之后我接觸到了tensorflow，開始使用tensorflow的框架來編寫神經(jīng)網(wǎng)絡(luò)。開啟了我按照書中所講亦步亦趨的過程。

根據(jù)書本中的tensorflow的講解，我對張量，張量的shape感到頭疼。你根本就知道原來（4，）表示的是一維張量，里面有四個數(shù)。我對此表示真的是很難受。但是因為每個都是這樣，你也不得不接受。漸入佳境是在我真正開始自己寫代碼的時候，開始理解了整個過程，從此之后我在看代碼，我都可以整體把握代碼代碼的思想，看VGG，GoogleNet等一目了然，而且一下子就可以寫出來。我開始思考我的數(shù)據(jù)集應(yīng)該怎么制作的過程，剛剛開始我用的是tfrecord，之后發(fā)現(xiàn)tfrecord的缺陷， 決定不這么麻煩了直接采用npz的形式，這樣使得你的代碼不這么麻煩，也更加整潔，再之后就是直接讀取文件（tf.Dataset）。對于RNN來說，我傾向與使用keras但是keras的封閉性太強了，好多tensorflow中的東西都被隔離了，于是我又從keras轉(zhuǎn)移到了tensorflow。對RNN的使用中我用的是自然語言處理（NLP），在NLP中，詞間隔的地方需要使用Ubuntu，好多博客中沒有指出，我在我的博客中已經(jīng)指明。 可以按照我的步驟實現(xiàn)詞間隔把每個詞分開。

在學習tensorflow中，我又同時學習了李航的機器學習，我是真的一個公式一個公式推導的。李航的那本統(tǒng)計學習方法，真的是特別好，如果說西瓜書是一本讓你了解其大概過程，給你一個一目了然的感覺，那個李航就是管中窺豹，一針見血。當然了最后可以跟著代碼來學習機器學習，我的GitHub中已經(jīng)Fork大神的代碼。之后我跟著莫煩大神學習了深度強化學習，不能說自己全部理解，但是也差不多，看公式還是可以看得懂的。莫煩大神代碼也已經(jīng)開源。在GitHub中可以找得到。

有空可以看看我的代碼，雖說不是盡善盡美吧，但是好多源代碼是可以從我的這個地方找到的。我的GitHub地址https://github.com/ChaoflyLi，我的碼云地址https://gitee.com/fraternalkevin/projects

我的代碼有一部分是從GitHub中知道導入到Gitee了，通過Gitee下載速度比加快。

總結(jié)

以上是生活随笔為你收集整理的【tensorflow：实战Google深度学习框架】读后感的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。