欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

tensorflow入門之訓(xùn)練簡單的神經(jīng)網(wǎng)絡(luò)方法

 更新時間：2018年02月26日 10:24:00   作者：py小菜鳥  
本篇文章主要介紹了tensorflow入門之訓(xùn)練簡單的神經(jīng)網(wǎng)絡(luò)方法，小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧

這幾天開始學(xué)tensorflow，先來做一下學(xué)習(xí)記錄

一.神經(jīng)網(wǎng)絡(luò)解決問題步驟：

1.提取問題中實體的特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入。也就是說要對數(shù)據(jù)集進(jìn)行特征工程，然后知道每個樣本的特征維度，以此來定義輸入神經(jīng)元的個數(shù)。

2.定義神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，并定義如何從神經(jīng)網(wǎng)絡(luò)的輸入得到輸出。也就是說定義輸入層，隱藏層以及輸出層。

3.通過訓(xùn)練數(shù)據(jù)來調(diào)整神經(jīng)網(wǎng)絡(luò)中的參數(shù)取值，這是訓(xùn)練神經(jīng)網(wǎng)絡(luò)的過程。一般來說要定義模型的損失函數(shù)，以及參數(shù)優(yōu)化的方法，如交叉熵?fù)p失函數(shù)和梯度下降法調(diào)優(yōu)等。

4.利用訓(xùn)練好的模型預(yù)測未知的數(shù)據(jù)。也就是評估模型的好壞。

二.訓(xùn)練簡單的向前傳播神經(jīng)網(wǎng)絡(luò)

一下訓(xùn)練的神經(jīng)模型是最簡單的一類，而且是線性的（也就是說沒有用激活函數(shù)去線性話），沒有反向傳播的過程，只是簡單的說明神經(jīng)網(wǎng)絡(luò)工作的流程。

import tensorflow as tf

#定義隱藏層參數(shù)，每個w變量是一個tensor(可以當(dāng)成是n*m的數(shù)組，n表示上一層結(jié)點個數(shù)，m表示本層結(jié)點個數(shù))表示上一層與本層的連接權(quán)重,這里先隨機(jī)定義權(quán)重
w1=tf.Variable(tf.random_normal([2,3]，stddev=1))
w2=tf.Variable(tf.random_normal([3,1]，stddev=1))

#定義存放輸入數(shù)據(jù)的地方，也就是x向量,這里shape為前一個傳入訓(xùn)練的樣本個數(shù)，后面出入每個樣本的維度大小
x=tf.placeholder(tf.float32,shape=(None,2),name="input")
#矩陣乘法
a=tf.matmul(x,w1)
y=tf.matmul(a,w2)

with tf.Session() as sess:
  #新版本好像不能用這個函數(shù)初始化所有變量了
  init_op=tf.initialize_all_variables()
  sess.run(init_op)
  #feed_dict用于向y中的x傳入?yún)?shù)，這里傳入3個，則y輸出為一個3*1的tensor
  print（sess.run(y,feed_dict={x:[[0.7,0.9],[1.0,1.5],[2.1,2.3]]}))

至此，一個用x的每個維度乘以兩層權(quán)重之后輸出單個值得線性神經(jīng)網(wǎng)絡(luò)就定義好了。

三.定義損失函數(shù)以及反向傳播算法

有了上面的基礎(chǔ)，我們可以定義損失函數(shù)以及反向傳播算法去擬合數(shù)據(jù)了，非線性數(shù)據(jù)我們可以定義激活函數(shù)去線性化。還有一些細(xì)節(jié)就是學(xué)習(xí)率的問題，這次使用的是動態(tài)學(xué)習(xí)率，首先把學(xué)習(xí)率設(shè)定為比較大的值，加速收斂，然后隨著迭代次數(shù)的增加，學(xué)習(xí)率不斷下降，防止錯過局部最小值。還有一個問題，就是防止過擬合。一般神經(jīng)網(wǎng)絡(luò)防止過擬合的策略有兩種，一種是正則化，一種是dropout，我們暫且不作討論后者

損失函數(shù)：交叉熵

反向傳播算法：梯度下降法

激活函數(shù)：relu

# -*- coding: utf-8 -*-
"""
Created on Fri Aug 18 14:02:19 2017

@author: osT
"""
import tensorflow as tf 
import numpy as np
#導(dǎo)入數(shù)據(jù)，這里的數(shù)據(jù)是每一行代表一個樣本，每一行最后一列表示樣本標(biāo)簽，0-32一共33個類
data=np.loadtxt('train_data.txt',dtype='float',delimiter=',')

#將樣本標(biāo)簽轉(zhuǎn)換成獨熱編碼
def label_change(before_label):
  label_num=len(before_label)
  change_arr=np.zeros((label_num,33))
  for i in range(label_num):
    #該樣本標(biāo)簽原本為0-32的，本人疏忽下32標(biāo)記成33
    if before_label[i]==33.0:
      change_arr[i,int(before_label[i]-1)]=1
    else:
      change_arr[i,int(before_label[i])]=1
  return change_arr

#定義神經(jīng)網(wǎng)絡(luò)的輸入輸出結(jié)點，每個樣本為1*315維，以及輸出分類結(jié)果
INPUT_NODE=315
OUTPUT_NODE=33

#定義兩層隱含層的神經(jīng)網(wǎng)絡(luò)，一層300個結(jié)點，一層100個結(jié)點
LAYER1_NODE=300
LAYER2_NODE=100

#定義學(xué)習(xí)率，學(xué)習(xí)率衰減速度，正則系數(shù)，訓(xùn)練調(diào)整參數(shù)的次數(shù)以及平滑衰減率
LEARNING_RATE_BASE=0.5
LEARNING_RATE_DECAY=0.99
REGULARIZATION_RATE=0.0001
TRAINING_STEPS=2000
MOVING_AVERAGE_DECAY=0.99

#定義整個神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，也就是向前傳播的過程，avg_class為平滑可訓(xùn)練量的類，不傳入則不使用平滑
def inference(input_tensor,avg_class,w1,b1,w2,b2,w3,b3):
  if avg_class==None:
    #第一層隱含層，輸入與權(quán)重矩陣乘后加上常數(shù)傳入激活函數(shù)作為輸出
    layer1=tf.nn.relu(tf.matmul(input_tensor,w1)+b1)
    #第二層隱含層，前一層的輸出與權(quán)重矩陣乘后加上常數(shù)作為輸出
    layer2=tf.nn.relu(tf.matmul(layer1,w2)+b2)
    #返回 第二層隱含層與權(quán)重矩陣乘加上常數(shù)作為輸出
    return tf.matmul(layer2,w3)+b3
  else:
    #avg_class.average()平滑訓(xùn)練變量，也就是每一層與上一層的權(quán)重
    layer1=tf.nn.relu(tf.matmul(input_tensor,avg_class.average(w1))+avg_class.average(b1))
    layer2=tf.nn.relu(tf.matmul(layer1,avg_class.average(w2))+avg_class.average(b2))
    return tf.matmul(layer2,avg_class.average(w3))+avg_class.average(b3)

def train(data):
  #混洗數(shù)據(jù)
  np.random.shuffle(data)
  #取錢850個樣本為訓(xùn)練樣本，后面的全是測試樣本，約250個
  data_train_x=data[:850,:315]
  data_train_y=label_change(data[:850,-1])
  data_test_x=data[850:,:315]
  data_test_y=label_change(data[850:,-1])

  #定義輸出數(shù)據(jù)的地方，None表示無規(guī)定一次輸入多少訓(xùn)練樣本,y_是樣本標(biāo)簽存放的地方
  x=tf.placeholder(tf.float32,shape=[None,INPUT_NODE],name='x-input')
  y_=tf.placeholder(tf.float32,shape=[None,OUTPUT_NODE],name='y-input')

  #依次定義每一層與上一層的權(quán)重，這里用隨機(jī)數(shù)初始化，注意shape的對應(yīng)關(guān)系
  w1=tf.Variable(tf.truncated_normal(shape=[INPUT_NODE,LAYER1_NODE],stddev=0.1))
  b1=tf.Variable(tf.constant(0.1,shape=[LAYER1_NODE]))

  w2=tf.Variable(tf.truncated_normal(shape=[LAYER1_NODE,LAYER2_NODE],stddev=0.1))
  b2=tf.Variable(tf.constant(0.1,shape=[LAYER2_NODE]))

  w3=tf.Variable(tf.truncated_normal(shape=[LAYER2_NODE,OUTPUT_NODE],stddev=0.1))
  b3=tf.Variable(tf.constant(0.1,shape=[OUTPUT_NODE]))

  #輸出向前傳播的結(jié)果
  y=inference(x,None,w1,b1,w2,b2,w3,b3)

  #每訓(xùn)練完一次就會增加的變量
  global_step=tf.Variable(0,trainable=False)

  #定義平滑變量的類，輸入為平滑衰減率和global_stop使得每訓(xùn)練完一次就會使用平滑過程
  variable_averages=tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY,global_step)
  #將平滑應(yīng)用到所有可訓(xùn)練的變量，即trainable=True的變量
  variable_averages_op=variable_averages.apply(tf.trainable_variables())

  #輸出平滑后的預(yù)測值
  average_y=inference(x,variable_averages,w1,b1,w2,b2,w3,b3)

  #定義交叉熵和損失函數(shù)，但為什么傳入的是label的arg_max(),就是對應(yīng)分類的下標(biāo)呢，我們遲點再說
  cross_entropy=tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y,labels=tf.arg_max(y_,1))
  #計算交叉熵的平均值，也就是本輪訓(xùn)練對所有訓(xùn)練樣本的平均值
  cross_entrip_mean=tf.reduce_mean(cross_entropy)

  #定義正則化權(quán)重，并將其加上交叉熵作為損失函數(shù)
  regularizer=tf.contrib.layers.l2_regularizer(REGULARIZATION_RATE)
  regularization=regularizer(w1)+regularizer(w2)+regularizer(w3)
  loss=cross_entrip_mean+regularization

  #定義動態(tài)學(xué)習(xí)率，隨著訓(xùn)練的步驟增加不斷遞減
  learning_rate=tf.train.exponential_decay(LEARNING_RATE_BASE,global_step,900,LEARNING_RATE_DECAY)
  #定義向后傳播的算法，梯度下降發(fā)，注意后面的minimize要傳入global_step
  train_step=tf.train.GradientDescentOptimizer(learning_rate).minimize(loss,global_step=global_step)
  #管理需要更新的變量，傳入的參數(shù)是包含需要訓(xùn)練的變量的過程
  train_op=tf.group(train_step,variable_averages_op)

  #正確率預(yù)測
  correct_prediction=tf.equal(tf.arg_max(average_y,1),tf.arg_max(y_,1))
  accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

  with tf.Session() as sess:
    #初始所有變量
    tf.global_variables_initializer().run()
    #訓(xùn)練集輸入字典
    validate_feed={x:data_train_x,y_:data_train_y}
    #測試集輸入字典
    test_feed={x:data_test_x,y_:data_test_y}

    for i in range(TRAINING_STEPS):
      if i%1000==0:
        validate_acc=sess.run(accuracy,feed_dict=validate_feed)
        print("After %d training step(s),validation accuracy using average model is %g"%(i,validate_acc))
      #每一輪通過同一訓(xùn)練集訓(xùn)練，由于樣本太少，沒辦法了
      sess.run(train_op,feed_dict=validate_feed)
    #用測試集查看模型的準(zhǔn)確率
    test_acc=sess.run(accuracy,feed_dict=test_feed)
    print("After %d training step(s),test accuracy using average model is %g"%(TRAINING_STEPS,test_acc))
train(data)

然后我們來看一下為什么計算交叉熵時要傳入樣本的下標(biāo)：

首先我們知道，輸出結(jié)點有33個，通過與前面的權(quán)重相乘后，則每個結(jié)點都會有一個輸出，每個輸出我們暫且認(rèn)為是對應(yīng)每個類的概率，該值越大，我們就越認(rèn)為該樣本為對應(yīng)的類。logits參數(shù)是神經(jīng)網(wǎng)絡(luò)的直接輸出，也就是未經(jīng)softmax函數(shù)處理的輸出，labels傳入的是單個值，也就是分類對應(yīng)的下標(biāo)，這是由于我們使用的計算交叉熵的函數(shù) tf.nn.sparse_softmax_cross_entropy_with_logits()有關(guān)。這個函數(shù)對于在只有一個正確分類的模型計算起到加速作用，而這個labels的輸入就是“這一個正確的分類”，對應(yīng)到輸出的結(jié)點，就是其下標(biāo)了。我們還有一個沒有加速的交叉熵函數(shù)：tf.nn.softmax_cross_entropy_with_logis(logis=,labels=)這個時候我們就應(yīng)該傳入本身的labels標(biāo)簽了。

最后，我們來總結(jié)一下提高模型準(zhǔn)確率的方法：

1.使用激活函數(shù)。也就是去線性化，這步幾乎是必須的。
2.增加隱含層。就本例而言，單隱含層300個結(jié)點，準(zhǔn)確率在89%左右；單隱含層400個結(jié)點，準(zhǔn)確率在93%左右；而雙隱含層300結(jié)點和100結(jié)點，準(zhǔn)確率在94%左右。但增加隱含層意味著增加訓(xùn)練時間。
3.使用動態(tài)學(xué)習(xí)率。這不但可以加快訓(xùn)練的速度，還可以增加神經(jīng)網(wǎng)絡(luò)收斂到較低的極小值處的概率，從而增加準(zhǔn)確率。
4.使用平滑模型。主要可以增加模型的健壯性，使其泛化能力更強(qiáng)。
5.加入正則化或者使用dropout防止過擬合。

附上訓(xùn)練集

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

相關(guān)文章

最新評論