深度学习之tensorflow的探索

Tensorflow的使用方法和代码演示

第一部分

tensorflow的运行流程，主要分2步，分别是构造模型和训练

Tensorflow中的几个概念是tensor,variable,placeholder,训练阶段需要session

1,tensor的意思是张量，其实就是矩阵，tensorflow中的矩阵表示形式，

a=tf.zeros(shape=[1,2])

不过要注意，因为在训练之前，所有的数据都是抽象的概念，也就是说，此时的a只是表示1*2的零矩阵，而没有实际赋值，也没有分配空间，只有在训练过程开始之后，才能获取a的实际值，sess=tf.InteractiveSession(),print(sess.run(a))

2,variable

W=tf.Variable(tf.zeros(shape=[1,2]))

此时的w也是一个抽象化的概念，variable必须初始化之后才有具体的值。

初始化Tf.initialize_all_variables()

3,placeholder

又叫占位符，同样是一个抽象的概念，用于表示输入输出数据格式，

4，session是模型的抽象者

5，模型构建

模型中的所有元素（图结构，损失函数，下降方法，训练目标）

 

测试模型

 

实际训练

有了训练模型和测试模型，就可以训练啦，

 

模型搭建好之后，我们只需要给出输入输出就可以了。

 

 

第二部分

CNN层:

CNN相比于传统的神经网络，最大的区别就是引入了卷积层和池化层

Tf.nn.conv2d,卷积层，函数功能是给定4维的input和filter,计算出2维的卷积结果。

Conv2d(input,filter,strides,padding,use_cudnn_on_gpu=None,data_format=None,name=None):

 

 

 

卷积核就是算子就是权矩阵

卷积核：卷积时使用到的权用一个矩阵表示，该矩阵和使用的图像区域大小相同，是权矩阵。

第三部分

tensorflow的常用函数

1、矩阵操作

1.1这部分主要是将如何生成矩阵，包括0矩阵，全1矩阵，随机数矩阵，常数矩阵等，

Tf.ones|tf.zeros  产生尺寸为shape的张量(tensor)

Tf.ones_like|tf.zeros_like新建一个与给定的tensor类型大小一致的tensor,其所有元素为1和0

Tf.fill   创建一个形状大小为shape的tensor，初始值为value

Tf.constant(value,dtype=None,shape=None,name=”Const”)

创建一个常量tensor,按照给出value来赋值，可以shape来指定其形状，value可以是一个数，也可以是一个list，如果是一个数，那么这个常数中的所有值按该数来赋值，如果是list，那么len(value)一定要小于等于shape展开后的长度，赋值时，先将value中的值逐个存入，不够的，按照存value的最后一个值。

Tf.random_normal|tf.truncated_normal|tf.random_uniform

Random_normal:正太分布随机数，均值mean,标准差stddev

Truncated_normal:截断正太分布随机数，均值mean,标准差stddev

Random_uniform:均匀分布随机数

Tf.get_variable(name)

1.2矩阵变换

Tf.shape

Tf.expand_dims(tensor,dim),为张量+1维

Tf.pack将一个R维张量列表沿着axis轴组合成一个R+1维张量

Tf.concat将张量沿着指定维数拼接起来，和pack用法类似。

Tf.sparse_to_dense  稀疏矩阵转密集矩阵

Tf.random_shuffle  沿着value的第一维进行随机重新排列

Tf.argmax|tf.argmin找到给定的张量tensor中在指定轴上的最大值/最小值的位置。

Tf.equal  判断两个tensor是否每个元素都相等，返回格式为bool的tensor

Tf.cast将x的数据格式转化成dtype

Tf.matul用来做矩阵乘法

Tf.reshape就是将tensor按照shape重新排列

2.神经网络相关操作

Tf.nn.embedding_lookup简单的讲，就是将一个数字序列ids转化成embedding序列表示。

Tf.trainable_variables返回多有训练的变量

Tf.gradients用来计算导数

Tf.nn.dropout防止过拟合

3.普通操作

Tf.linspace|tf.range产生等差数列

Tf.assign用来更新模型中变量的值

4.规范化

Tf.variable_scope就是为变量添加命名域

Tf.getvariable_scope返回当前变量的命名域

tensorboard的使用

1.使用tf.scalar_summary来收集想要显示的变量。

Tf.scalar_summary(“loss”,loss)

2.定义一个summury op用来汇总由scalar_summary记录的所有变量

Summury_op=tf.merge_all_summaries()

3生成一个summary writer对象，需要指定写入路径，例如：

summary writer=tf.train.summaryWriter()

4开始训练，分批喂数据

For(i in range(batch_num)):

#5.使用sess.run来得到merged_summary_op的返回值

Summary_str=sess.run(merged_summary_op)

#6使用summary writer将运行中的loss值写入

Summary_writer.add_summary(summary_str,i)

$ tensorboard --logdir /tmp/logdir

127.0.0.1:6006

 

第四部分

例子：

 

"""A very simple MNIST classifier.

See extensive documentation at

http://tensorflow.org/tutorials/mnist/beginners/index.md

"""

from __future__ import absolute_import

from __future__ import division

from __future__ import print_function

 

# Import data

from tensorflow.examples.tutorials.mnist import input_data

 

import tensorflow as tf

 

flags = tf.app.flags

FLAGS = flags.FLAGS

flags.DEFINE_string('data_dir', '/tmp/data/', 'Directory for storing data') #把数据放在/tmp/data文件夹中

 

mnist = input_data.read_data_sets(FLAGS.data_dir, one_hot=True)   #读取数据集

#建立抽象模型

x = tf.placeholder(tf.float32, [None, 784]) #占位符

y = tf.placeholder(tf.float32, [None, 10])

W = tf.Variable(tf.zeros([784, 10]))

b = tf.Variable(tf.zeros([10]))

a = tf.nn.softmax(tf.matmul(x, W) + b)

 

#定义损失函数和训练方法

cross_entropy = tf.reduce_mean(-tf.reduce_sum(y * tf.log(a), reduction_indices=[1]))  #损失函数为交叉熵

optimizer = tf.train.GradientDescentOptimizer(0.5) #梯度下降法，学习速率为0.5

train = optimizer.minimize(cross_entropy) #训练目标：最小化损失函数

 

# Test trained model

correct_prediction = tf.equal(tf.argmax(a, 1), tf.argmax(y, 1))

accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

 

# Train

sess = tf.InteractiveSession()      #建立交互式会话

tf.initialize_all_variables().run()

for i in range(1000):

    batch_xs, batch_ys = mnist.train.next_batch(100)

    train.run({x: batch_xs, y: batch_ys})

print(sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels}))

 

 

CNN代码

# Copyright 2015 The TensorFlow Authors. All Rights Reserved.

#

# Licensed under the Apache License, Version 2.0 (the "License");

# you may not use this file except in compliance with the License.

# You may obtain a copy of the License at

#

#     http://www.apache.org/licenses/LICENSE-2.0

#

# Unless required by applicable law or agreed to in writing, software

# distributed under the License is distributed on an "AS IS" BASIS,

# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.

# See the License for the specific language governing permissions and

# limitations under the License.

# ==============================================================================

 

"""A very simple MNIST classifier.

See extensive documentation at

http://tensorflow.org/tutorials/mnist/beginners/index.md

"""

from __future__ import absolute_import

from __future__ import division

from __future__ import print_function

 

# Import data

from tensorflow.examples.tutorials.mnist import input_data

 

import tensorflow as tf

 

flags = tf.app.flags

FLAGS = flags.FLAGS

flags.DEFINE_string('data_dir', '/tmp/data/', 'Directory for storing data') #第一次启动会下载文本资料，放在/tmp/data文件夹下

 

print(FLAGS.data_dir)

mnist = input_data.read_data_sets(FLAGS.data_dir, one_hot=True)

 

def weight_variable(shape):

    initial = tf.truncated_normal(shape, stddev=0.1) #变量的初始值为截断正太分布

    return tf.Variable(initial)

 

def bias_variable(shape):

    initial = tf.constant(0.1, shape=shape)

    return tf.Variable(initial)

 

def conv2d(x, W):

    """

    tf.nn.conv2d功能：给定4维的input和filter，计算出一个2维的卷积结果

    前几个参数分别是input, filter, strides, padding, use_cudnn_on_gpu, ...

    input   的格式要求为一个张量，[batch, in_height, in_width, in_channels],批次数，图像高度，图像宽度，通道数

    filter  的格式为[filter_height, filter_width, in_channels, out_channels]，滤波器高度，宽度，输入通道数，输出通道数

    strides一个长为4的list.表示每次卷积以后在input中滑动的距离

    padding有SAME和VALID两种选项，表示是否要保留不完全卷积的部分。如果是SAME，则保留

    use_cudnn_on_gpu是否使用cudnn加速。默认是True

    """

    return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

 

def max_pool_2x2(x):

    """

    tf.nn.max_pool进行最大值池化操作,而avg_pool则进行平均值池化操作

    几个参数分别是：value, ksize, strides, padding,

    value:  一个4D张量，格式为[batch, height, width, channels]，与conv2d中input格式一样

    ksize:  长为4的list,表示池化窗口的尺寸

    strides:窗口的滑动值，与conv2d中的一样

    padding:与conv2d中用法一样。

    """

    return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],

                          strides=[1, 2, 2, 1], padding='SAME')

 

sess = tf.InteractiveSession()

 

x = tf.placeholder(tf.float32, [None, 784])

x_image = tf.reshape(x, [-1,28,28,1]) #将输入按照conv2d中input的格式来reshape，reshape

 

"""

#第一层

#卷积核(filter)的尺寸是5*5,通道数为1，输出通道为32，即feature map数目为32

#又因为strides=[1,1,1,1]所以单个通道的输出尺寸应该跟输入图像一样。即总的卷积输出应该为?*28*28*32

#也就是单个通道输出为28*28，共有32个通道,共有?个批次

#在池化阶段，ksize=[1,2,2,1]那么卷积结果经过池化以后的结果，其尺寸应该是？*14*14*32

"""

W_conv1 = weight_variable([5, 5, 1, 32])  #卷积是在每个5*5的patch中算出32个特征，分别是patch大小，输入通道数目，输出通道数目

b_conv1 = bias_variable([32])

h_conv1 = tf.nn.elu(conv2d(x_image, W_conv1) + b_conv1)

h_pool1 = max_pool_2x2(h_conv1)

 

"""

#第二层

#卷积核5*5，输入通道为32，输出通道为64。

#卷积前图像的尺寸为 ?*14*14*32， 卷积后为?*14*14*64

#池化后，输出的图像尺寸为?*7*7*64

"""

W_conv2 = weight_variable([5, 5, 32, 64])

b_conv2 = bias_variable([64])

h_conv2 = tf.nn.elu(conv2d(h_pool1, W_conv2) + b_conv2)

h_pool2 = max_pool_2x2(h_conv2)

 

#第三层 是个全连接层,输入维数7*7*64,输出维数为1024

W_fc1 = weight_variable([7 * 7 * 64, 1024])

b_fc1 = bias_variable([1024])

h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])

h_fc1 = tf.nn.elu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)

keep_prob = tf.placeholder(tf.float32) #这里使用了drop out,即随机安排一些cell输出值为0，可以防止过拟合

h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

 

#第四层，输入1024维，输出10维，也就是具体的0~9分类

W_fc2 = weight_variable([1024, 10])

b_fc2 = bias_variable([10])

y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2) #使用softmax作为多分类激活函数

y_ = tf.placeholder(tf.float32, [None, 10])

 

cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y_conv), reduction_indices=[1])) #损失函数，交叉熵

train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy) #使用adam优化

correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1)) #计算准确度

accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

sess.run(tf.initialize_all_variables()) #变量初始化

for i in range(20000):

    batch = mnist.train.next_batch(50)

    if i%100 == 0:

        # print(batch[1].shape)

        train_accuracy = accuracy.eval(feed_dict={

            x:batch[0], y_: batch[1], keep_prob: 1.0})

        print("step %d, training accuracy %g"%(i, train_accuracy))

    train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})

 

print("test accuracy %g"%accuracy.eval(feed_dict={

    x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))