前言

TensorFlow是一個開源軟體庫，用於各種感知和語言理解任務的機器學習。目前被50個團隊用於研究和生產許多Google商業產品，如語音辨識、Gmail、Google 相簿和搜尋，其中許多產品曾使用過其前任軟體DistBelief。TensorFlow最初由Google大腦團隊開發，用於Google的研究和生產，於2015年11月9日在Apache 2.0開源許可證下發布。
簡而言之，TensorFlow是一個強大的機器學習框架。
TensorFlow是一個機器學習框架。如果您有許多資料，並且/或您正追求AI人工智慧的最先進技術，例如深度學習、神經網路⋯⋯等等，那TensorFlow也許會成為您新的超級好朋友!

那麼，我們就來介紹一下Tensorflow的基礎架構吧!

TensorFlow

輔助閱讀: TensroFlow Go

TensorFlow模型的初探主要可以歸結為三個步驟。

1. 建立神經網路來區分圖片
2. 訓練神經網路
3. 最後評估這個model的準確度

載入與準備資料集，將範例從整數轉換為浮點數。

透過堆疊一張一張的層面(Layers)來建造Sequential model
選擇優化器(optimizer)和損耗函數(loss function)進行訓練

Model皆會回傳一組各自的logits或者log-odds評分給每個例子。

各類參數說明

• Logits: 分類模組產生的未普及化的預測向量，按理說會傳送給普及化方法
  假如模組正在處理的是多類別分類(Multi-class classification)問題，logits通常會成為softmax方法的參數。
  Softmax方法會為每個可能的類別(class)產生一組概率向量。
  另外，Logits有時會被指稱做逆元素的S型函式。

假設事件指的是二進制概率，那麼賠率(odds)指的就是成功的概率(p)與失敗的概略的比例(1-p)。舉例來說，假設給定的事件有90%的概率成功和10%的概率會失敗，在這個例子中賠率便是0.9/0.1=0.9。
Log-odds就是賠率的對數，按照慣例，對數是指自然對數，但對數其實可以是任何大於1的數字，照著自然對數來，則我們的例子的對數便是log-odds = ln(9) = 2.2。

• Softmax: 一種在多類別區分模組中為每個可能的類別產生機率的方法。概率家總會等於1.0，舉例來說softmax可能會決定某張圖片可能是狗的機率為0.9，是貓的機率為0.08和是馬的機率為0.02。(也稱作full softmax)

• Multi-class classification: 分類問題區分多於兩個類別以上。舉例來說，世界上大概有128種不同種類的楓樹，所以模組將楓樹進行分類辨識多類別分類。反過來說模組只將電子信件區分為兩個類別(垃圾郵件或者不是)則是二進制分類模組(binary classification)。

• Binary classification: 一種將輸出的結果分類為互斥集分類任務，舉例來說一種機器學習模組評估信件訊息並產生輸出為”垃圾郵件”或者”不是垃圾郵寄”便是二進制區分器(binary classifier)

讓我們下篇再繼續！

參考資料:
https://zh.wikipedia.org/wiki/TensorFlow
https://kozyrk.medium.com/chinese-all-about-tensorflow-f1e2ab1b89b1