1. 事前準備
在這個程式碼研究室中，您將會瞭解基本的「Hello, World」機器學習，而不是在 Java 或 C++ 等語言中編寫明確規則，而是建構一套針對資料進行訓練的系統，以推論決定數字關係的規則。
請思考以下問題：您建構的系統是用於追蹤健身活動的活動辨識。您可能可以存取使用者步行的速度，並嘗試利用某個條件來根據活動速度推斷活動。
if(speed<4){
status=WALKING;
}
您可以延長使用其他條件來執行這項作業。
if(speed<4){
status=WALKING;
} else {
status=RUNNING;
}
在最終環境中，你還可以偵測出單車。
if(speed<4){
status=WALKING;
} else if(speed<12){
status=RUNNING;
} else {
status=BIKING;
}
現在，請思考你想將活動 (例如高爾夫球) 的影響。我們不太清楚該如何建立規則來決定活動。
// Now what?
您撰寫一個能夠辨識高爾夫球活動的程式，很難說什麼。那該怎麼做？您可以使用機器學習技術來解決問題！
事前準備
在嘗試這個程式碼研究室之前，您必須：
- Python 的穩固知識
- 基本程式設計技巧
您將會瞭解的內容
- 機器學習的基本知識
建構項目
- 您的第一個機器學習模型
軟硬體需求
如果你從未使用 TensorFlow 建立機器學習模型，則可以使用以瀏覽器為基礎的環境，其中包含所有必要的依附元件。您可以找到在 Colab 中執行的其他程式碼研究室程式碼。
如果您使用其他 IDE，請確認您已安裝 Python。你也需要 TensorFlow 和 NumPy 程式庫。您可以前往這個網頁，進一步瞭解及安裝 TensorFlow。在這裡安裝 NumPy。
2. 什麼是機器學習？
以傳統的方式建構應用程式，如下圖所示：
您以程式設計語言撰寫了規則。根據資料採取行動，而您的計劃會提供答案**。** 進行活動偵測時，我們根據資料 (該人的移動速度) 所設的規則 (負責撰寫活動程式碼) 產生答案：用來判斷使用者活動狀態 (例如步行、跑步、騎自行車或執行其他操作) 的傳回值。
透過機器學習偵測活動狀態的程序十分類似，只有軸線是不一樣的。
與其嘗試定義規則並用程式設計語言編寫規則，您可以提供答案 (通常稱為「標籤」) 和資料，並推斷出決定答案與資料之間的關係的規則。舉例來說，您的活動偵測情境可能在機器學習內容中看起來像這樣：
您收集到大量的資料並加上標籤，以便清楚說出「這是行走的感覺」，或「這是跑步的感覺。」如此一來，電腦就可以從資料中推斷出判斷特定活動的各種模式。
除了上述情況的替代方案外，此方法還能讓您開啟新情境，例如在以規則為基礎的傳統程式設計方法下可能無法使用的高爾夫。
在傳統程式設計中，您的程式碼會編譯成一個稱為「程式」的二進位檔。在機器學習中，您透過資料和標籤建立的項目稱為「模型」。
因此，如果您回到這個圖表：
您可以將此結果視為一個模型，在執行階段中使用：
讓模型傳送一些資料，而模型會使用從訓練中推測出的規則進行預測，例如「該資料看起來像是步行」、「」或「資料看起來像是騎腳踏車」。
3. 建立您的第一個機器學習模型
請考慮下列幾組數字。你能看出它們之間的關係嗎？
X： | -1 | 0 | 1 | 2 次 | 3 | 4 |
Y： | -2 | 1 | 4 | 7 | 10 | 13 |
查看它們時，您可能注意到 X 的值增加到 1 ，因為您自左為右，而 Y 的相應值增加了 3。你認為 Y 等於 3 倍加減號。然後，你可能將 X 上的 0 看為 0，看到 Y 是 1，你是想出 Y=3X+1 的關係。
這幾乎是你運用程式碼訓練模型來找出資料中的模式的方式。
現在，我們來檢查一下程式碼吧！
你要如何訓練類神經網路執行同等工作？使用資料！您只要提供一組 X 和一組 Y 做為動態饋給值，就能找出它們之間的關係。
匯入
從匯入作業開始。你正在匯入 TensorFlow 並呼叫 tf，以便使用。
接下來，匯入名為 numpy 的程式庫，可輕鬆迅速地將您的資料顯示為清單。
將類神經網路定義為一組連續層的架構，也稱為 keras，因此也請您匯入該架構。
import tensorflow as tf
import numpy as np
from tensorflow import keras
定義及編譯類神經網路
接著，建立最簡單的類神經網路。有一個圖層，該圖層具有一個神經元，而輸入的圖形只是一個值。
model = tf.keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])])
接著撰寫程式碼，以編譯類神經網路。執行時，您必須指定兩個函式：loss 和 optimizer。
在本範例中，您知道數字之間的關係是 Y=3X+1。
電腦嘗試了它，它就猜出了，可能是 Y=10X+10。loss 函式會根據已知的正確答案，評估猜測結果的答案，並評估其表現如何。
接下來，模型會使用 optimizer 函式來猜測。根據損失函式的結果，它會嘗試盡可能減少損失。此時，它可能會想出類似 Y=5X+5 的東西。雖然這樣還是很不理想，但更接近正確的結果 (損失變小)。
這個模型會針對「訓練週期」數量重複，因此很快就會顯示。
首先，本文將說明如何使用 mean_squared_error 來計算損失，以及最佳化工具的隨機梯度下降 (sgd)。你還是不瞭解這些數學的算法，但可以看出它們是有效的！
使用一段時間後，您會瞭解各種情況的適當損失和最佳化工具功能，以及不同的情況。
model.compile(optimizer='sgd', loss='mean_squared_error')
提供資料
接著，請上傳一些資料。在這個例子中，您從較早使用的六個 X 和六個 Y 變數中取出。您可以看到兩者之間之間的關係是 Y=3X+1，因此 X 是 -1，Y 是 -2。
名為 NumPy 的 Python 程式庫提供許多陣列類型的資料結構可執行這項操作。在 np.array[] 中，將值指定為 NumPy 中的陣列。
xs = np.array([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0], dtype=float)
ys = np.array([-2.0, 1.0, 4.0, 7.0, 10.0, 13.0], dtype=float)
現在您已經取得定義類神經網路所需的一切程式碼。下一步是訓練模型，看看它是否能推論這些數字之間的模式，並利用這些模式建立模型。
4. 訓練類神經網路
訓練類神經網路的處理程序，其中的「X」與「Y」是「model.fit」的呼叫，用於瞭解類神經網路。而這其實會造成如此就能根據您指定的 Epoch 紀元時間執行這項作業。執行該程式碼後，您會發現每個 Epoch 的損失都會遺失。
model.fit(xs, ys, epochs=500)
例如，您可以看到前幾個訓練週期的損失值很大，但是每個步驟變小了。
隨著訓練進度逐漸減少，損失會變小。
訓練完成之後，損失率極低，表示我們的模型已推斷出推論數字間的關聯。
您可能不需要全部 500 個訓練週期，並且可以用不同的金額進行實驗。從示例中可看出，損失只要 50 個訓練週期就很小，所以這應該已經夠了！
5. 使用
您有模型經過訓練，以便瞭解 X 和 Y 之間的關係。您可以使用 model.predict 方法，針對先前未知的 X 設定 Y。舉例來說，如果 X 是 10，您覺得 Y 會是什麼？執行以下程式碼之前，請先進行檢查：
print(model.predict([10.0]))
您可能想到 31 歲，但最後就有點了，原因為何？
神經網絡為概率，因此計算 X 和 Y 之間的關係很有可能很高的概率是 Y=3X+1，但它不能知道只有六個數據點。結果非常接近 31，但不一定就是 31。
使用類神經網路時，你會發現這種模式會不斷出現。您幾乎可以處理各種能力，而非不確定性，而且只要進行一些程式設計，即可根據結果瞭解結果，特別是在分類時。
6. 恭喜
相信這個概念確實涵蓋了機器學習的大部分概念，而且在更複雜的情境中將會派上用場。您已經學習如何使用類神經網路來訓練類神經網路，找出兩組數字之間的關係。您定義了一組包含神經元 (在本案例中僅一個圖層) 的圖層，接著您又使用損失函式和最佳化工具來編譯了這些圖層。
網路、損失函式和最佳化工具的集合會處理各數字之間的關係，並衡量其成效，然後產生新的參數供新猜測。詳情請參閱 TensorFlow.org。
瞭解詳情
如要瞭解機器學習和 TensorFlow 如何協助您的電腦視覺模型，請參閱使用 TensorFlow 建構電腦視覺模型。