Tous les projets sur TensorFlow que j'ai vus dans GitHub implémentent une sorte de modèle de réseau neuronal. Étant donné que TensorFlow est une amélioration par rapport au DAG (il n'est plus acyclique), je me demandais si certaines lacunes inhérentes le rendaient inapproprié pour le modèle général d'apprentissage automatique.
Dans le modèle informatique de TensorFlow, est-il possible d'implémenter des algorithmes généraux d'apprentissage automatique?
C'est un peu un nécropost, mais si vous êtes toujours intéressé, voici un ensemble de tutoriels généraux tensorflow qui expliquent comment exécuter les choses dans tensorflow. Il comprend des exemples de régressions linéaires et de voisinage le plus proche, il devrait donc vous aider avec votre question d'origine.
https://github.com/aymericdamien/TensorFlow-Examples
De plus, voici le tutoriel tensorflow original pour faire des équations différentielles dans tensorflow. Vous donne une idée de la flexibilité du graphique de calcul tensorflow.
https://www.tensorflow.org/versions/r0.9/tutorials/pdes/index.html
Avec TensorFlow, vous pouvez implémenter n'importe quel algorithme d'apprentissage machine qui repose sur la descente de gradient et la rétropropagation (règle de chaîne) ou peut être reformulé en tant que tel. Cela comprend la régression logistique, les machines à vecteurs de support et bien d'autres. Mais je ne saurais pas comment implémenter une forêt aléatoire dans TensorFlow.
Quelques opérations numpy sont reflétées dans TensorFlow, donc si vous pouvez l'implémenter dans numpy, le portage vers TensorFlow peut être simple. Par exemple, voici un exemple de clustering K-means: /programming/33621643/how-would-i-implement-k-means-with-tensorflow