Alle Projekte auf TensorFlow, die ich in GitHub gesehen habe, implementieren eine Art neuronales Netzwerkmodell. Angesichts der Tatsache, dass TensorFlow eine Verbesserung gegenüber der DAG darstellt (es ist nicht mehr azyklisch), habe ich mich gefragt, ob ein inhärenter Mangel es für ein allgemeines Modell des maschinellen Lernens ungeeignet macht.
Ist es im Computermodell von TensorFlow möglich, allgemeine Algorithmen für maschinelles Lernen zu implementieren?
Dies ist ein bisschen wie ein Nekropost, aber wenn Sie immer noch interessiert sind, finden Sie hier eine Reihe allgemeiner Tensorflow-Tutorials, in denen erklärt wird, wie Dinge in Tensorflow ausgeführt werden. Es enthält Beispiele für lineare Regressionen und Regressionen für den nächsten Nachbarn, daher sollte es bei Ihrer ursprünglichen Frage hilfreich sein.
https://github.com/aymericdamien/TensorFlow-Examples
Außerdem finden Sie hier das ursprüngliche Tensorflow-Tutorial zum Ausführen von Differentialgleichungen im Tensorflow. Gibt Ihnen eine Vorstellung von der Flexibilität des Tensorflow-Berechnungsdiagramms.
https://www.tensorflow.org/versions/r0.9/tutorials/pdes/index.html
Mit TensorFlow können Sie jeden Algorithmus für maschinelles Lernen implementieren, der auf Gradientenabstieg und Backpropagation (Kettenregel) beruht oder als solcher angepasst werden kann. Dazu gehören logistische Regressionen, Support-Vektor-Maschinen und viele andere. Aber ich würde nicht wissen, wie man eine zufällige Gesamtstruktur in TensorFlow implementiert.
Einige Numpy-Operationen werden in TensorFlow gespiegelt. Wenn Sie sie also in Numpy implementieren können, kann die Portierung nach TensorFlow unkompliziert sein. Hier ist beispielsweise ein Beispiel für K-Mittel-Clustering: /programming/33621643/how-would-i-implement-k-means-with-tensorflow