TensorFlow实战
来源:互联网 发布:手机ar软件 编辑:程序博客网 时间:2024/06/05 08:34
深度学习定义
人工智能,机器学习,深度学习这三个概念还傻傻分不清?一张图解决疑惑
神经网络和深度学习差别?深度学习是一种学习方式,指的是采用深度模型进行学习,不是模型。多层神经网络是一种模型。神经网络只要足够深就可以称作深度模型,但是深度模型不仅仅只有多层网络。
神经网络部分概念
特征值
人和计算机互补(人,直觉,驾车,图像识别,计算机,简单机械)特征值提取的好坏(直角坐标与极坐标举例)举例:工厂:尺子质量和长度,邮件:收件人长度,收件人数量,广告词传统的机器学习和深度学习最大的不在于,传统的机器学习是简单的人工提取特征值。深度学习是多层复杂的特征提取。
维度
升维:线性区分,高维度空间可用区分低维度不可分。降维:特征值太多,无法学习,只需要提取最重要的特征值(无关特征,相关性太高的特征)。
矩阵计算
不满足交换律,满足结合律,分配率。
简单的神经网络演示
结合特征值,维度
Stanford convnetjs
Google playgroud
TensorFlow初步
Scikit-learn比较
1.sklearn是一个完整的机器学习流程框架,提供了完整的特征工程工具,实现了很多经典机器学习算法,如线性回归、决策树、各种Boost、SVM、神经网络,并封装成为类库模块,运行于CPU,最后还有交叉验证等评估工具。2.而TensorFlow就如同乐高积木一般 ,可以自己组装张量运算图以及自动求导,你完全把张量运算拼装起来,然后规定优化目标,进行训练。可以高效实现卷积运算、批标准化、在不同范数实现正则化、自动求解梯度、梯度下降/截断等功能,这些功能都是近年神经网络应用突飞猛进的必备。
安装
1.pip,源码方式,较为麻烦,网上有相关教程,注意GPU和CPU的选择。2.docker方式, 推荐, 一条命令解决.sudo docker pull registry.cn-hangzhou.aliyuncs.com/chenyu139/chenyu:0.0.2sudo docker run -it -p 8888:8888 -p 6006:6006 0660b741e6a9
张量
TensorFlow两个重要概念:Tensor和Flow,Tensor就是张量(可以理解为多维数组),Flow就是计算相互转化的过程。TensorFlow的计算方式类似Spark的有向无环图(DAG),在创建Session之后才开始计算(类似Action算子)。
import tensorflow as tfa = tf.constant([1.0,2.0],name="a")b = tf.constant([3.0,4.0],name="b")result = a + bprint(result)# Tensor("add_1:0", shape=(2,), dtype=float32)
会话
import tensorflow as tfa = tf.constant([1.0,2.0],name="a")b = tf.constant([3.0,4.0],name="b")result = a + bwith tf.Session() as sess: # 两种方式计算张量的取值 print(sess.run(result)) print(result.eval(session=sess))
变量
# 声明一个2 * 3 的矩阵变量,矩阵均值为0,标准差为2的随机数import tensorflow as tfweights = tf.Variable(tf.random_normal([2,3],stddev=2))# 初始化变量init = tf.global_variables_initializer()with tf.Session() as sess: sess.run(init) print(sess.run(weights))
前向传播结构图
import tensorflow as tfx = tf.constant([[0.7,0.9]])w = tf.random_normal([2,3])y = tf.matmul(x,w)with tf.Session() as sess: print (sess.run(w)) print (sess.run(y))
反向训练
损失函数:分类问题(交叉熵), 回归问题(均方误差)
梯度下降:凸函数,可能无法全局最优
两个完整运行例子实战分析(套路)
import tensorflow as tffrom numpy.random import RandomState# 定义训练数据batch的大小batch_size = 8# 定义神经网络的参数w1 = tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))w2 = tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))# 在shape的一个维度上使用None可以方便使用不同的batch大小x = tf.placeholder(tf.float32,shape=(None,2),name='x-input')y_ = tf.placeholder(tf.float32,shape=(None,1),name='y-input')# 定义神经网络前向传播的过程a = tf.matmul(x,w1)y = tf.matmul(a,w2)# 定义损失函数和反向传播算法cross_entropy = -tf.reduce_mean(y_ * tf.log(tf.clip_by_value(y,1e-10,1.0)))train_step = tf.train.AdamOptimizer(0.001).minimize(cross_entropy)# 通过随机数生成一个模拟数据集rdm = RandomState(1)dataset_size = 128X = rdm.rand(dataset_size,2)# 定义规则来给出样本的标签,x1+x2<1的样例都被认为是正样本,其他为负样本,0:负样本,1:正样本Y = [[int(x1+x2<1)] for (x1,x2) in X]# 创建一个会话来运行TensorFlow程序with tf.Session() as sess: # 初始化变量 init_op = tf.global_variables_initializer() sess.run(init_op) print(sess.run(w1)) print(sess.run(w2)) # 设定训练的轮数 STEPS = 5000 for i in range(STEPS): # 每次选取batch_size 个样本进行训练 start = (i * batch_size)% dataset_size end = min(start+batch_size,dataset_size) # 通过选取的样本训练神经网络并更新参数 sess.run(train_step,feed_dict={x:X[start:end],y_:Y[start:end]}) if i % 1000 == 0: total_cross_entropy = sess.run(cross_entropy,feed_dict={x:X,y_:Y}) print("After %d trainint step(s),cross entropy on all data is %g" % (i,total_cross_entropy)) print(sess.run(w1)) print(sess.run(w2))
import tensorflow as tfimport numpyimport matplotlib.pyplot as pltrng = numpy.random# 初始化参数learning_rate = 0.01training_epochs = 2000display_step = 50# T随机数据train_X = numpy.asarray([3.3,4.4,5.5,6.71,6.93,4.168,9.779,6.182,7.59,2.167,7.042,10.791,5.313,7.997,5.654,9.27,3.1])train_Y = numpy.asarray([1.7,2.76,2.09,3.19,1.694,1.573,3.366,2.596,2.53,1.221,2.827,3.465,1.65,2.904,2.42,2.94,1.3])n_samples = train_X.shape[0]# 套路开始X = tf.placeholder("float")Y = tf.placeholder("float")W = tf.Variable(rng.randn(), name="weight")b = tf.Variable(rng.randn(), name="bias")activation = tf.add(tf.mul(X, W), b)# 定义cost,优化器cost = tf.reduce_sum(tf.pow(activation-Y, 2))/(n_samples) optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost) # 初始化变量init = tf.global_variables_initializer()# 套路with tf.Session() as sess: sess.run(init) # 开始训练 for epoch in range(training_epochs): for (x, y) in zip(train_X, train_Y): sess.run(optimizer, feed_dict={X: x, Y: y}) #打印 if epoch % display_step == 0: print "Epoch:", '%04d' % (epoch+1), "cost=", \ "{:.9f}".format(sess.run(cost, feed_dict={X: train_X, Y:train_Y})), \ "W=", sess.run(W), "b=", sess.run(b) print "Optimization Finished!" print "cost=", sess.run(cost, feed_dict={X: train_X, Y: train_Y}), \ "W=", sess.run(W), "b=", sess.run(b) #绘图 plt.plot(train_X, train_Y, 'ro', label='Original data') plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Fitted line') plt.legend() plt.show()
神经网络优化
矩阵的乘法永远是线性(激活函数)过度拟合(正则化)学习率动态调整
阅读全文
0 0
- TensorFlow实战
- TensorFlow实战
- 《TensorFlow实战》TensorFlow上手代码
- TensorFlow 实战 MINST
- TensorFlow 实战资料汇总
- [TensorFlow实战] 简单CNN
- Tensorflow 实战(-) 基础知识
- [TensorFlow实战] 图片预处理
- Tensorflow 实战 笔记
- tensorflow 实战笔记
- tensorflow29《TensorFlow实战》笔记-01 TensorFlow基础
- TensorFlow实战:Chapter-1(TensorFlow介绍)
- TensorFlow实战:Chapter-2(TensorFlow入门)
- tensorflow编译及安装【tensorflow实战--笔记】
- Tensorflow实战学习(一)【什么是TensorFlow】
- Tensorflow实战学习(二)【怎么安装TensorFlow】
- Tensorflow实战学习(五十)【TensorFlow源代码解析】
- 《TensorFlow实战》第一章-TensorFlow基础读书笔记
- (初学者)用Python进行自然语言处理笔记一
- USACO-Section1.4 Mother's Milk
- 乌合之众—131不同群体的分类及其特点
- 接口和抽象类的区别
- Java中的访问权限控制详解
- TensorFlow实战
- python mysql 'latin-1' codec can't encode character
- 前端input图片的上传和压缩以及图片旋转90度问题解决
- 随便开个头
- vector向量容器
- 编程科普书籍推荐(Java)
- 添加 UINavigationController
- git usage summary
- Access denied for user 'root'@'localhost' (using password:YES)处理方案