실제로 레이블이 지정되지 않은 예제는 앱, CSV 파일 및 데이터 피드를 비롯한 다양한 소스에서 제공될 수 있습니다. 지금은 레이블을 예측하는 세 가지 레이블이 지정되지 않은 예제를 수동으로 제공할 예정입니다. 이 가이드에서는 기계 학습을 사용하여 홍채 꽃을 종별로 분류합니다. 1. 모델 빌드, 2. 예제 데이터에서 이 모델을 학습하고 3. 모델을 사용하여 알 수 없는 데이터에 대한 예측을 수행합니다. TensorFlow에 대한 명확하고 간결한 예제를 찾으려는 초보자에게 적합합니다. 기존의 `원시` TensorFlow 구현 외에도 최신 TensorFlow API 사례(예: 레이어, 추정기, 데이터 집합 등)도 찾을 수 있습니다. 딥 러닝은 뇌의 구조와 기능에서 영감을 얻은 일련의 알고리즘인 기계 학습의 하위 필드입니다. 텐서란? 기계 학습 시리즈의 이 시점까지, 우리는 주로 벡터 (numpy 배열)로 작업해 왔으며 텐서가 벡터가 될 수 있습니다. 가장 간단하게, 텐서 배열 같은 개체이며, 당신이 본 적이 있듯이, 배열은 행렬, 벡터, 정말 심지어 스칼라를 보유 할 수 있습니다.

TensorFlow는 연구 및 생산을 위한 오픈 소스 머신 러닝 라이브러리입니다. TensorFlow는 데스크탑, 모바일, 웹 및 클라우드용으로 개발할 수 있는 초보자와 전문가를 위한 API를 제공합니다. 시작하려면 아래 섹션을 참조하십시오. tf를 사용합니다. 그라데이션테이프 컨텍스트를 사용하여 모델을 최적화하는 데 사용되는 그라데이션을 계산합니다. 이에 대한 자세한 예는 열망 실행 가이드를 참조하십시오. 고급 Keras API는 딥 러닝 모델을 만들고 학습하는 구성 요소를 제공합니다. 이러한 초보자 친화적인 노트북 예제로 시작하여 TensorFlow Keras 가이드를 읽어보십시오. 평가는 모델이 예측을 얼마나 효과적으로 만드는지 결정하는 것을 의미합니다. 아이리스 분류에서 모델의 효과를 확인하려면 일부 sepal 및 꽃잎 측정값을 모델에 전달하고 모델에 홍채 가 나타내는 영홍색 종을 예측하도록 요청합니다.

그런 다음 모델의 예측을 실제 레이블과 비교합니다. 예를 들어 입력 예제의 절반에서 올바른 종을 선택한 모델의 정확도는 0.5입니다. 그림 4는 5개 예측 중 4개에서 80%의 정확도로 올바른 4개의 예측을 얻는 약간 더 효과적인 모델을 보여 주었습니다. 첫 번째 예제는 kNN 접근 법으로 데이터를 분류하는 알고리즘이고 두 번째 예제는 선형 회귀 알고리즘을 사용합니다. 시간이 지남에 따라 TensorFlow는 인기가 높아졌으며 현재 이미지 인식, 비디오 감지, 감정 분석과 같은 텍스트 처리 등을 위한 딥 러닝 방법을 사용하여 문제를 해결하는 데 개발자가 사용하고 있습니다. 다른 라이브러리와 마찬가지로 TensorFlow가 빌드된 개념에 익숙해지려면 약간의 시간이 필요할 수 있습니다. 그리고 문서와 커뮤니티 지원의 도움으로 데이터 그래프로 문제를 표현하고 TensorFlow로 문제를 해결하면 기계 학습을 덜 지루한 프로세스로 만들 수 있습니다. 이 방법을 사용하여 구현되는 기계 학습 알고리즘은 선형 회귀 알고리즘이 실제로 알려지지 않은 값인 W및 b를 확정하는 x 함수로 y값을 예측해야 합니다. 비용 함수가 선택되며 일반적으로 그라데이션 하강이 비용 함수의 로컬 최소를 찾는 데 사용되는 최적화 알고리즘인 평균 제곱 오차가 사용됩니다.