Introduction to TensorFlow for Artificial Intelligence, Machine Learning, and Deep Learning (3hrs/9hrs)

第四周會使用更真實一點的數據來進行訓練, 整體內容可以說是融合前幾周的所有技巧
並不是很難, 但是有些東西不熟悉還是前前後後看了幾次
整個第四周的精華可以參考這份colab code
這邊邊打部落格邊回顧一下第四周學習的大概內容

imageGenerator, 利用Generator來自動生成tag, 省去label的麻煩, 且還可以做簡單的prepcrocessing(像normalization)
sigmoid非常適用於二元分類, 把一類往1訓練, 另一類往0訓練
這邊特別再去查了一下sigmoid與softmax的差別, 別人是這麼說的, sigmoid與softmax都可以用來表示機率(應該是都會呈現在0~1內), 但sigmoid是針對一個neuron內的機率, 可以說是預測該neuron的對或錯, 反而softmax是針對多個neuron的機率, softmax是透過比較每個neuron的機率做normalize的結果, 詳細的數學可以自行google看看
sigmoid可以訓練多個正確答案, 當答案很多個的時候, 每個都當成獨立的機率事件在預測, 例如:是否下雨, 是否有颱風, 是否會發生地震(這裡的例子有點爛)
softmax則是每個答案有互斥的時候, 找出最正確的是哪個, 例如:猴子, 貓, 狗, 豬, 大象