如何用C++实现自己的Tensorflow
摘要：TensorFlow是由谷歌基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理，它完全开源，作者通过自己的一个小项目，阐述了如何用C++实现自己的TensorFlow，这篇文章看起来可能会有点晦涩，你需要对相关知识有所了解。以下是译文。
在我们开始之前，以下是代码：
我和Minh Le一起做了这个项目。
为什么？
如果你是CS专业的人员，可能听过这句“不要使自己陷入_”的话无数次。CS有加密、标准库、解析器等等。我觉得现在还应该包含ML库。
不管事实如何，它仍然是一个值得学习的惊人的教训。人们现在认为TensorFlow和类似的库是理所当然的；把它们当成是一个黑盒子，让其运行。没有多少人知道后台发生了什么。这真是一个非凸的优化问题！不要停止搅拌那堆东西，直到它看起来合适为止（结合下图及机器学习系统知识去理解这句话）。
Tensorflow
TensorFlow是由Google开源的一个深度学习库。在TensorFlow的内核，有一个大的组件，将操作串在一起，行成一个叫做 运算符图 的东西。这个运算符图是一个有向图G=(V,E),在某些节点u1,u2,…,un,v∈V 和 e1,e2,…,en∈E,ei=(ui,v) 存在某些运算符将u1,…,un 映射到 v。
例如，如果我们有x + y = z，那么 (x,z),(y,z)∈E 。
这对于评估算术表达式非常有用。我们可以通过寻找运算符图中的 sinks来得到结果。 Sinks是诸如 v∈V,∄e=(v,u)这样的顶点。换句话说，这些顶点没有到其它顶点的有向边。同样的， sources是v∈V,∄e=(u,v)。
对我们来说， 总是把值放在sources，值会传播到Sinks。
反向模式求导
如果认为我的解释不够好，这里有一些幻灯片。
求导是TensorFlow所需的许多模型的核心要求，因为需要它来运行 梯度下降算法。每个高中毕业的人都知道什么是求导; 它只是获取函数的导数，如果函数是由基本函数组成的复杂组合，那么就做 链式法则。
超级简单的概述
如果有一个这样的函数：
f(x,y) = x * y
那么关于X的求导将产生：
df(x,y)dx=y
关于Y的求导将产生：
df(x,y)dy=x
另外一个例子：
f(x1,x2,...,xn)=f(x)=xTx
这个导数是:
df(x)dxi=2xi
所以梯度就是:
∇xf(x)=2x
链式法则，譬如应用于复杂的函数f(g(h(x)))：
df(g(h(x)))dx=df(g(h(x)))dg(h(x))dg(h(x))dh(x)dh(x)x
5分钟内反向模式
现在记住运算符图的DAG结构，以及上一个例子中的链式法则。如果要评估，我们可以看到：
x -> h -> g -> f
作为图表。会给出答案f。但是，我们也可以采取反向求解：
dx <- dh <- dg <- df
这看起来像链式法则！需要将导数相乘在一起，以获得最终结果。
下图是一个运算符图的例子：
所以这基本上退化成图遍历问题。 有谁发觉拓扑排序和DFS / BFS吗？
所以要支持双向拓扑排序的话，需要包含一组父节点和一组子节点，Sinks是另一个方向的Sources, 反之亦然。
宁波哪家整形医院好http://www.xinma-china.com/