©2016-2024 Matools All rights reserved,
粤ICP备17059708号
<>一、基于tensorflow的NN
——定义：用张量表示数据，用计算图搭建神经网络，用会话执行计算图，优化线上的权 重（参数），得到模型
——张量（tensor）：多维数组（列表）
0阶张量称作标量，表示一个单独的数；
举例 S=123
1阶张量称作向量，表示一个一维数组
举例 V=[1,2,3]
2阶张量称作矩阵，表示一个二维数组，它可以有i行j列个元素，每个元素可以用行号和列号共同索引到；
举例 m=[[1, 2, 3], [4, 5, 6], [7, 8, 9]]
判断张量是几阶的，就通过张量右边的方括号数，0个是0阶，n个是n阶，张量可以表示0阶到n阶数组（列表）；
举例 t=[ [ [… ] ] ]为3阶。
——阶：张量的维数
——数据类型：Tensorflow的数据类型有tf.float32、tf.int32等。
实现Tensorflow的加法
#引入模块 import tensorflow as tf #定义一个张量等于[1.0,2.0] a=tf.constant([1.0,2.0])
#定义一个张量等于[3.0,4.0] b=tf.constant([3.0,4.0]) #实现a加b的加法 result=a+b #打印出结果
可以打印出这样一句话： #Tensor(“add:0”, shape=(2, ), dtype=float32)
#意思为result是一个名称为add:0的张量，shape=(2,)表示一维数组长度为2,dtype=float32表示数据类型为浮点型。 print
result
——计算图（Graph）：搭建神经网络的计算过程，是承载一个或多个计算节点的一张图，只搭建网络，不运算。
x1、x2表示输入，w1、w2分别是x1到y和x2到y的权重，y=x1w1+x2w2。
#引入模块 import tensorflow as tf #定义一个2阶张量等于[[1.0,2.0]] （一行两列） x =
tf.constant([[1.0, 2.0]]) #定义一个2阶张量等于[[3.0],[4.0]] （两行一列） w =
tf.constant([[3.0], [4.0]]) （一行一列的张量） #实现xw矩阵乘法 y=tf.matmul(x,w) #打印出结果
可以打印出这样一句话：Tensor(“matmul:0”, shape(1,1), dtype=float32)， print y
#执行会话并打印出执行后的结果 #可以打印出这样的结果：[[11.]] with tf.Session() as sess: print sess.run(y)
print的结果显示y是一个张量，只搭建承载计算过程的计算图，并没有运算，如果我们想得到运算结果就要用到“会话Session()”了。
——会话（Session）：执行计算图中的节点运算。我们用with结构实现
with tf.Session() as sess: print sess.run(y)
在vim编辑器中运行Session()会话时，有时会出现“提示warning”，是因为有的电脑可以支持加速指令，但是运行代码时并没有启动这些指令。可以把这些“提示warning”暂时屏蔽掉。屏蔽方法为进入主目录下的bashrc文件，在bashrc
文件中加入这样一句 export TF_CPP_MIN_LOG_LEVEL=2，从而把“提示 warning”等级降低。source
命令用于重新执行修改的初始化文件，使之立即生效，而不必注销并重新登录。
vim ~/.bashrc
source ~/.bashrc
——参数：
即神经网络线上的权重w，用变量表示，随机给初值
生成参数的方法是让w等于tf.Variable，把生成的方式写在括号里。
w= tf.Variable(tf.random_normal([2,3],stddev=2,mean=0,seed=1))
注意：
1、随机种子如果去掉每次生成的随机数将不一致。
2、如果没有特殊要求标准差、均值、随机种子是可以不写的
<>二、神经网络实现过程
当我们知道张量、计算图、会话和参数后，我们可以讨论神经网络的实现过程了。
（步骤1~3是训练过程 步骤4是使用过程）
1、准备数据集，提取特征，作为输入喂给神经网络（Neural Network，NN）
2、搭建NN结构，从输入到输出（先搭建计算图，再用会话执行）
（ NN前向传播算法 -----> 计算输出）
3、大量特征数据喂给NN，迭代优化NN参数
（ NN反向传播算法 -----> 优化参数训练模型）
4、使用训练好的模型预测和分类
由此可见，基于神经网络的机器学习主要分为两个过程，即训练过程和使用过程。
训练过程是第一步、第二步、第三步的循环迭代，使用过程是第四步，一旦参数优化完成就可以固定这些参数，实现特定应用了。很多实际应用中，我们会先使用现有的成熟网络结构，喂入新的数据，训练相应模型，判断是否能对喂入的从未见过的新数据作出正确响应，再适当更改网络结构，反复迭代，让机器自动训练参数找出最优结构和参数，以固定专用模型。
<>三、前向传播：
搭建神经网络模型，让神经网络NN实现推理过程
这块引用拿来详细讲解下上图的前向传播例子：
Eg NN：生产一批零件，将体积x1和重量x2位特征，把它们喂入神经网络，当体积和重量这组数据输入神经网络后会得到一个输出。
Input：以输入的特征值是：体积0.7 重量0.5为例。
Output：由搭建的神经网络可得，隐藏层节点a11=x1w11+x2
w21=0.14+0.15=0.29，同理算得节点a12=0.32，a13=0.38，最终计算得到输出层Y=-0.015，这便实现了前向传播过程。
推导：
神经网络共有几层（或当前是第几层网络）都是指的计算层，输入层不是计算层，所以a为第一层网络，第一层 X是输入为1X2矩阵
用x表示输入，是一个1行2列矩阵，表示一次输入一组特征，这组特征包含了 体积和重量两个元素。
W 前节点编号，后节点编号(层数) 为待优化的参数
对于第一层的w 前面有两个节点，后面有三个节点 w应该是个两行三列矩阵，
我们这样表示：
所以a为第一层网络，a是一个一行三列矩阵。
我们这样表示：a(1)=[a11, a12, a13]=XW(1)
第二层参数要满足前面三个节点，后面一个节点，所以W(2) 是三行一列矩阵。 我们这样表示：
输入层：
x是输入为1X2矩阵；表示一次输入一组特征，这组特征包含了 “体积” 和 “重量” 两个元素。
下编号(节点)，上编号(层数) 为待优化的参数
参数w的确定：
输入层到第一层，参数要满足前面两个节点，后面三个节点 ；因此应该是个两行三列矩阵2x3；运算后得到的a是一个一行三列矩阵1x3。
第一层到输出层，参数要满足前面三个节
点，后面一个节点；所以 是三行一列矩阵3x1。 隐藏层：
隐藏层的计算；我们把每层输入与线上的权重进行矩阵乘法，这样用矩阵乘法可以计算出输出y了。
a= tf.matmul(X,)
y= tf.matmul(a, )
输出层：
想要输出结果，就需要用到Session会话，利用with结构来实现。把所有的所有变量初始化过程、计算过程都要放到 sess.run 函数中
前向传播就是搭建模型的计算过程，让模型具有推理能力，可以针对输入给出相应的输出。
①用placeholder实现输入定义（sess.run中喂入一组数据）的情况 第一组喂体积0.7、重量0.5
#coding:utf-8 #两层简单神经网络（全连接） import tensorflow as tf #定义输入和参数
#用placeholder实现输入定义 （sess.run中喂一组数据） x = tf.placeholder(tf.float32, shape=(1,
2)) （一行两列） w1= tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1)) w2=
tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1)) #定义前向传播过程 a =
tf.matmul(x, w1) y = tf.matmul(a, w2) #用会话计算结果 with tf.Session() as sess:
init_op = tf.global_variables_initializer() sess.run(init_op) （执行计算） print "y
in tf3_4.py is:\n" , sess.run(y, feed_dict={x: [[0.7,0.5]]}) 将x的一组特征喂入）
`
②用placeholder实现输入定义（sess.run中喂入多组数据）的情况第一组喂体积0.7、重量0.5，第二组喂体积0.2、重量0.3，第三组喂体积0.3
、重量0.4，第四组喂体积0.4、重量0.5.
#coding:utf-8 #两层简单神经网络（全连接） import tensorflow as tf #定义输入和参数
#用placeholder定义输入（sess.run喂多组数据）（不知道喂入多少组，shap的第一个参数为none） x =
tf.placeholder(tf.float32, shape=(None, 2)) w1=
tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1)) w2=
tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1)) #定义前向传播过程 a =
tf.matmul(x, w1) y = tf.matmul(a, w2) #调用会话计算结果 with tf.Session() as sess:
init_op = tf.global_variables_initializer() sess.run(init_op) print "the result
of tf3_5.py is:\n",sess.run(y, feed_dict={x:
[[0.7,0.5],[0.2,0.3],[0.3,0.4],[0.4,0.5]]}) print "w1:\n", sess.run(w1) print
"w2:\n", sess.run(w2)
以输入的特征值是：体积0.7 重量0.5 的例子的实现整体代码如下
#!/user/bin/env python3 # -*- coding: utf-8 -*- # 定义两层简单神经网络（全连接） import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' #导入TensorFlow模块，并简写为tf import
tensorflow as tf # 定义神经网络的输入和神经元上的参数权重 x = tf.constant([[0.7,0.5]]) #定义体积为0.7
重量为0.5 w1 = tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
#定义一个2x3随机矩阵作为w1参数 w2 = tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))
#定义一个3x1随机矩阵作为w2参数 # 定义前向传播过程 a = tf.matmul(x,w1) y = tf.matmul(a,w2) # 到此为止
神经网络创建完成 #用会话Session来计算结果 with tf.Session() as sess: init_op =
tf.global_variables_initializer() （i把初始化所有的函数，简写为初始化为节点nit_op）
sess.run(init_op) print(sess.run(y)) ''' [[ 3.0904665]] '''
这条引用拿来归纳TensorFlow神经网络的几个基本点：
在 TensorFlow 中，数据不是以整数、浮点数或者字符串形式存储的。这些值被封装在一个叫做 tensor的对象中；tf.constant 返回的
tensor 是一个常量 tensor，因为这个 tensor 的值不会变
*
操作（Op/operation）：在 TensorFlow 的运行时中，它是一种类似 add 或 matmul 或 concat的运算
*
张量（Tensor）：表示数据。Tensor是一种特定的多维数组。每一个tensor值在graph上都是一个op
*
计算图（Graph）：描述运算任务。把运算任务描述成一个直接的无环图形（DAG），图表中的节点（node）代表必须要实现的一些操作。图中的边代表数据或者可控的依赖。
*
会话（Session）：运行Tensorflow操作的类，Session
提供在图中执行操作的一些方法。Session封装了被执行操作和Tensor计算的环境，运行session.run()可以获得你要进行运算的结果。启动图的第一步是创建一个Session
对象。
*
tf.placeholder(dtype,shape=None,name=None)
在实际应用中，我们可以一次喂入一组或多组输入，先用tf.placeholder给输入占位，方便输入的处理。dtype：数据类型，喂给TensorFlow的张量元素的类型；
*
shape：数据形状[x,y]；表示有x组输入，y表示每组输入有y个特征。name：名称；返回值：张量Tensor类型
<>四、反向传播
一、反向传播
反向传播：训练模型参数，在所有参数上用梯度下降，使NN模型在训练数据上的损失函数最小。
损失函数（loss）：计算得到的预测值y与已知答案y_的差距
损失函数的计算有很多方法，均方误差MSE是比较常用的方法之一。
均方误差MSE：求前向传播计算结果与已知答案之差的平方再求平均。
用tensorflow函数表示为： loss_mse =tf.reduce_mean(tf.square(y_ - y))
反向传播训练方法：
以减小loss值为优化目标，有梯度下降、momentum优化器、adam优化器等优化方法。
在TensorFlow中代码表示分别如下：
train_step=tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)
train_step=tf.train.MomentumOptimizer(learning_rate, momentum).minimize(loss)
train_step=tf.train.AdamOptimizer(learning_rate).minimize(loss)
学习率：决定参数每次更新的幅度
代码（背）
#加入编码兼容格式utf-8 #coding:utf-8 #0导入模块numpy（python 的科学计算模块），生成模拟数据集。 import
tensorflow as tf import numpy as np #BATCH一次喂入神经网络多少组数据，seed随机生成 BATCH_SIZE = 8
SEED = 23455 #基于seed产生随机数 rdm = np.random.RandomState(SEED) #随机数返回32行2列的矩阵
表示32组 体积和重量 作为输入数据集 X = rdm.rand(32,2) #从X这个32行2列的矩阵中 取出一行 判断如果和小于1 给Y赋值1
如果和不小于1 给Y赋值0 #作为输入数据集的标签（正确答案） Y_ = [[int(x0 + x1 < 1)] for (x0, x1) in X]
print "X:\n",X print "Y_:\n",Y_ #1定义神经网络的输入、参数和输出,定义前向传播过程。 x =
tf.placeholder(tf.float32, shape=(None, 2)) （输入） y_= tf.placeholder(tf.float32,
shape=(None, 1)) （标准答案） w1= tf.Variable(tf.random_normal([2, 3], stddev=1,
seed=1)) （对应x） w2= tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))
（对应y） #用矩阵乘法实现 a = tf.matmul(x, w1) y = tf.matmul(a, w2) #2定义损失函数loss及反向传播方法。
loss_mse = tf.reduce_mean(tf.square(y-y_)) （使用均方误差计算loss）
#使用梯度下降实现训练过程，学习率为0.001 train_step =
tf.train.GradientDescentOptimizer(0.001).minimize(loss_mse) #train_step =
tf.train.MomentumOptimizer(0.001,0.9).minimize(loss_mse) （Momentum优化方法）
#train_step = tf.train.AdamOptimizer(0.001).minimize(loss_mse) （Adam优化方法）
#3生成会话，训练STEPS轮 with tf.Session() as sess: init_op =
tf.global_variables_initializer() （初始化参数） sess.run(init_op) # 输出目前（未经训练）的参数取值。
print "w1:\n", sess.run(w1) print "w2:\n", sess.run(w2) print "\n" # 训练模型。
#训练三千轮 STEPS = 3000 for i in range(STEPS): start = (i*BATCH_SIZE) % 32 end =
start + BATCH_SIZE # //从x的数据集和y的标签里面抽取相应的数据和标签喂入神经网络，用sess.run执行训练过程
sess.run(train_step, feed_dict={x: X[start:end], y_: Y_[start:end]})
//每500轮打印loss值 if i % 500 == 0: total_loss = sess.run(loss_mse, feed_dict={x:
X, y_: Y_}) print("After %d training step(s), loss_mse on all data is %g" % (i,
total_loss)) # 输出训练（优化后的）后的参数取值。 print "\n" print "w1:\n", sess.run(w1) print
"w2:\n", sess.run(w2)
由神经网络的实现结果，我们可以看出，总共训练3000轮，每轮从X的数据集
和Y的标签中抽取相对应的从start开始到end结束个特征值和标签，喂入神经网络，用sess.run求出loss，每500轮打印一次loss值。经过3000轮后，我们打印出最终训练好的参数w1、w2。
可以修改BATCH_SIZE 看看对loss的影响，可以训练次数增大来观察loss的减少过程，更改优化器来看看哪一个效果更好
<>五、搭建神经网络的八股
*
准备
*
前向传播
*
反向传播
*
迭代循环
1、准备
import
常量定义
生成或导入数据集
2、前向传播：定义输入、参数以及输出
x=定义输入Input 对应的组数和每组特征数
y_=定义标签Lable 对应的组数和标签特征数
w1=定义输入层到第一层的权重参数 行号要于输入的每组特征数一致
w2=定义第一层到输出层的权重参数 列号要于输出的标签特征数一致
a=第一层得到的结果 传递给下一层
y=输出层得到的结果
3、反向传播 ：定义损失函数、反向传播方法
loss=
train_step=
4、迭代循环：生成会话，迭代训练STEPS轮
with tf.session() as sess Init_op=tf. global_variables_initializer()
sess_run(init_op) STEPS=3000 for i in range(STEPS): start= end=
sess.run(train_step, feed_dict:)
`
热门工具 换一换