深度学习之TensorFlow 第三章基本开发步骤--以逻辑回归拟合二维数据为例（转）

深度学习有四个步骤：

准备数据搭建模型迭代训练使用模型

import tensorflow as tf
import numpy as np #数组
import matplotlib.pyplot as plt # matplotlib.pyplot 2D绘图库类似MATLAB的一种绘图框架
plotdata = { "batchsize":[], "loss":[] } #存放批次值和损失值
def moving_average(a, w=10):
if len(a) < w:
return a[:]
return [val if idx < w else sum(a[(idx-w):idx])/w for idx, val in enumerate(a)]
#生成模拟数据
train_X = np.linspace(-1, 1, 100) #train_X = np.linspace(-1, 1, 100) #生成-1~1之间的100个数作为x。
train_Y = 2 * train_X + np.random.randn(*train_X.shape) * 0.3 #（a属于[-1,1]之间的随机数）
train_Y = 2 * train_X + np.random.randn(*train_X.shape) * 0.3 # y=2x，但是加入了噪声
#显示模拟数据点
plt.plot(train_X, train_Y, 'ro', label='Original data') #‘ro’代表红色实心圈标记
plt.legend() #显示图例label='Original data'
plt.show()
# 创建模型
# 占位符
X = tf.placeholder("float")
Y = tf.placeholder("float") #X代表输入,Y代表对应的真实值，都是占位符（占住一个固定的位置等着再往里面添加内容的符号）
# 模型参数
W = tf.Variable(tf.random_normal([1]), name="weight")
b = tf.Variable(tf.zeros([1]), name="bias") #W和b是参数，W被初始化为[-1,1]的随机数，形状为一维的数字，b的初始化为0，形状也是一维。
# 前向结构
z = tf.multiply(X, W)+ b
#反向优化
cost =tf.reduce_mean( tf.square(Y - z))
learning_rate = 0.01 #学习率代表调整参数的速度。这个值一般小于1。值越大，代表调整的速度越大，但不精确。
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost) #GradientDescentOptimizer是封装好的梯度下降算法。
# 初始化变量
init = tf.global_variables_initializer()
# 训练参数
training_epochs = 20 #迭代次数
display_step = 2
# 启动session
with tf.Session() as sess:
sess.run(init)
# Fit all training data
for epoch in range(training_epochs):
for (x, y) in zip(train_X, train_Y):
sess.run(optimizer, feed_dict={X: x, Y: y}) #外层放循环次数
通过sess.run来进行网络节点的运算，通过feed机制将真实数据灌到占位符对应的位置（feed_dict={X: train_X, Y:train_Y})同时没执行一次都会将网络结构中的节点打印出来
#显示训练中的详细信息
if epoch % display_step == 0:
loss = sess.run(cost, feed_dict={X: train_X, Y:train_Y})
print ("Epoch:", epoch+1, "cost=", loss,"W=", sess.run(W), "b=", sess.run(b))
if not (loss == "NA" ): #是个安全检查，保证loss值有效才会将其用图示显示出来
plotdata["batchsize"].append(epoch)
plotdata["loss"].append(loss)
print (" Finished!")
print ("cost=", sess.run(cost, feed_dict={X: train_X, Y: train_Y}), "W=", sess.run(W), "b=", sess.run(b))
#print ("cost:",cost.eval({X: train_X, Y: train_Y}))
#图形显示
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()
plotdata["avgloss"] = moving_average(plotdata["loss"])
plt.figure(1) #plt.figure(1)是新建一个名叫 Figure1的画图窗口
plt.subplot(211) #第一个画板的第一个子图
plt.plot(plotdata["batchsize"], plotdata["avgloss"], 'b--') #plt.plot(x,c)是在画图窗口里具体绘制横轴为x 纵轴为c的曲线 ‘b--’为蓝色破折线
plt.xlabel('Minibatch number')
plt.ylabel('Loss')
plt.title('Minibatch run vs. Training loss')
plt.show()
print ("x=0.2，z=", sess.run(z, feed_dict={X: 0.2}))

学习速率对于梯度下降算法，这应该是一个最重要的超参数。如图所示，如果学习速率设置得非常大，那么训练可能不会收敛，就直接发散了；如果设置的比较小，虽然可以收敛，但是训练时间可能无法接受；如果设置的稍微高一些，训练速度会很快，但是当接近最优点会发生震荡，甚至无法稳定。不同学习速率的选择影响可能非常大。理想的学习速率是：刚开始设置较大，有很快的收敛速度，然后慢慢衰减，保证稳定到达最优点。

下面记录一下各种函数的作用，有助于学习记忆python库和函数：

1.首先是linspace函数：numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

返回（start，stop）间的num个数，endpoint为真sample必然有终点，为否必然没有终点，retstep表示一定步长，最后返回（sample，step）

2.np.random.randn : numpy.random.rand(d0, d1, ..., dn)

随机产生维度为（d0,d1...，dn）的随机数，从标准正态分布中产生。

　　但random.rand（d0,d1...，dn）产生数值取值范围是[0,1)

3.tf.placeholder : tf.placeholder(dtype,shape = None , name = None)

占位数，可以理解为变量，在需要的时候才去赋值

dtype 表示数据类型，例如tf.float32,tf.float64，shape表示数组形状,shape = None 表示一维数，还可以shape =[3,4]，shape = [None,4]表示行未定。返回Tensor类型。

4.tf.Variable.int()

tf.Variable.init(initial_value, trainable=True, collections=None, validate_shape=True, name=None)

　　参数表引用相关资料：

initial_value	所有可以转换为Tensor的类型	变量的初始值
trainable	bool	如果为True，会把它加入到GraphKeys.TRAINABLE_VARIABLES，才能对它使用Optimizer
collections	list	指定该图变量的类型、默认为[GraphKeys.GLOBAL_VARIABLES]
validate_shape	bool	如果为False，则不进行类型和维度检查
name	string	变量的名称，如果没有指定则系统会自动分配一个唯一的值

5.tf.random_normal() : tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)

代码中仅用到shape=[1],表示一维数

6.tf.reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None) 求平均值

input_tensor:待求值的tensor。

reduction_indices:在哪一维上求解。

7.tf.train.GrandientDescentOptimizer(learning_rate)

产生一个规定学习率的优化器：optmizier = tf.train.GrandientDescentOptimizer(learning_rate = 0.01)

　　计算梯度并且直接作用于变量上：optimizer.minimize(cost , var_list = <list of variables>)

optimizer.run()

　　计算出梯度：gradients = optimizer.compute_gradients(loss , <list of variables>)

　　然后就可以根据自己的需要处理梯度了。

8.tf.global_variables_initializer()初始化所有Tensor变量的状态

init = tf.global_variables_initializer()

with tf.Session() as sess:

sess.run(init)

9.def moving_average(a, w=10):

if len(a) < w:

return a[:]

return [val if idx < w else sum(a[(idx-w):idx])/w for idx, val in enumerate(a)]

滑动平均模型 用途：用于控制变量的更新幅度，使得模型在训练初期参数更新较快，在接近最优值处参数更新较慢，幅度较小

方式：主要通过不断更新衰减率来控制变量的更新幅度.

在训练神经网络时，不断保持和更新每个参数的滑动平均值，在验证和测试时，参数的值使用其滑动平均值能有效提高神经网络的准确率。

第一个返回值是如果a向量的长度小于w的值，就输出向量a中的所有值。

第二个返回值是如果向量a的长度大于w值，将索引小于长度w的值直接输出，将索引大于w值的按照sum(a[(idx-w):idx])/w的方式进行计算输出。

在python中enumerate的用法多用于在for循环中得到计数，

enumerate参数为可遍历的变量，如字符串，列表等；返回值为enumerate类。

举个例子a=[a,b,c,d]

For idx,val in enumerate(a) #idx为向量a的索引即下标

[0 a] [1 b] [2 c] [3 d]

在python中enumerate的用法多用于在for循环中得到计数，

enumerate参数为可遍历的变量，如字符串，列表等；返回值为enumerate类。

tensorflow开发的基本步骤

1.定义输入节点的方法 2.定义学习参数的变量 3.定义运算 4.优化函数，优化目标 5.初始化所有变量 6.迭代更新参数到最优解 7.测试模型8. 使用模型

模型内部的数据流向

1 正向：数据从输入开始，依次进行各节点定义的运算，一直运算到输出，是模型最基本的数据流向。它直观地表现了网络模型的结构，在模型的训练、测试、使用场景中都会用到。这部分是必须要掌握的。

2 反向：只有在训练场景下会用到。这里使用了一个叫做反向链式求导的方法，即先从正向的最后一个节点开始，计算此时结果值与真实值的误差，这样会形成一个用学习参数表示误差的方程，然后对方程中的每个参数求导，得到其梯度修正值，同时反推出上一层的误差，这样就将该层节点的误差按照正向的相反方向传到上一层，并接着计算上一层的修正值，如此反复下去一步一步地进行转播，直到传到正向的第一个节点。这部分原理TensorFlow已经实现好了，简单理解即可，应该把重点放在使用什么方法来计算误差，使用哪些梯度下降的优化方法，如何调节梯度下降中的参数（如学习率）问题上。

一个标准的模型结构分为输入、中间节点、输出三大部分，而如何让这三部分连通起来学习规则并可进行计算，则是框架TensorFlow所做的事情。

TensorFlow将中间节点及节点间的运算关系（OPS）定义在自己内部的一个“图”上，全通过一个“会话（session）”进行图中OPS的具体运算。

可以这样理解： “图”是静态的，无论做任何加、减、乘、除，它们只是将关系搭建在一起，不会有任何计算。 “会话”是动态的，只有启动会话后才会将数据流向图中，并按照图中的关系运算。并将最终的结果从图中流出。

TensorFlow用这种方式分离了计算的定义和执行，“图”类似施工图（blueprint），而会话更像施工地点。

构建一个完整的图一般需要定义3种变量。输入节点：即网络的入口。用于训练的模型参数（也叫学习参数）：是连接各个节点的路径。模型中的节点（OP）：最复杂的就是OP。OP可以用来代表模型中的中间节点，也可以代表最终的输出节点，是网络中的真正结构。

深度学习之TensorFlow 第三章基本开发步骤--以逻辑回归拟合二维数据为例（转）相关推荐

Tensorflow基本开发步骤——以逻辑回归拟合二维数据为例
深度学习大概有如下四个步骤:准备数据,搭建模型,迭代训练和使用模型. 一.准备数据使用y=2x作为主体,通过加入一些随机干扰噪声产生一组数据.代码如下: import tensorflow as t ...
Coursera吴恩达《神经网络与深度学习》课程笔记（2）-- 神经网络基础之逻辑回归...
转至:https://blog.csdn.net/red_stone1/article/details/77851177 上节课我们主要对深度学习(Deep Learning)的概念做了简要的概述.我 ...
Coursera吴恩达《神经网络与深度学习》课程笔记（2）-- 神经网络基础之逻辑回归
红色石头的个人网站:redstonewill.com 上节课我们主要对深度学习(Deep Learning)的概念做了简要的概述.我们先从房价预测的例子出发,建立了标准的神经网络(Neural Net ...
吴恩达《神经网络和深度学习》第二周编程作业—用神经网络思想实现逻辑回归
吴恩达<神经网络和深度学习>-用神经网络思想实现逻辑回归 1 安装包 2 问题概述 3 学习算法的一般架构 4 构建算法的各个部分 4.1 激活函数 4.2 初始化参数 4.3 前向和后向 ...
在浏览器中进行深度学习：TensorFlow.js (四）用基本模型对MNIST数据进行识别
2019独角兽企业重金招聘Python工程师标准>>> 在了解了TensorflowJS的一些基本模型的后,大家会问,这究竟有什么用呢?我们就用深度学习中被广泛使用的MINST数据集 ...
在浏览器中进行深度学习：TensorFlow.js (十二）异常检测算法
2019独角兽企业重金招聘Python工程师标准>>> 异常检测是机器学习领域常见的应用场景,例如金融领域里的信用卡欺诈,企业安全领域里的非法入侵,IT运维里预测设备的维护时间点等. ...
吴恩达深度学习第一课第三周编程作业（上）
作业描述: 用1层隐藏层的神经网络分类二维数据欢迎来到第3周的编程作业. 现在是时候建立你的第一个神经网络了,它将具有一层隐藏层. 你将看到此模型与你使用逻辑回归实现的模型之间的巨大差异. 你将学到 ...
【深度学习之美】激活引入非线性，池化预防过拟合（入门系列之十二）
12.1 两个看似闲扯的问题在开讲本章内容之前,先请你思考两个问题呗:第一个问题,你能用直线画出一张漂亮的笑脸吗?第二个问题是,你知道那副著名的对联:"诸葛一生唯谨慎,吕端大事不糊涂&qu ...
深度学习之tensorflow (一) XORerr1 -修改
博客背景是学习<深度学习之TensorFlow>这本书籍中的作业,修改第七章的作业,把XOR-异或的错误代码修改为正确的. 主要修改有三个地方: 隐藏层一的运算从sigmoid修改为add ...

深度学习之TensorFlow 第三章基本开发步骤--以逻辑回归拟合二维数据为例（转）

深度学习之TensorFlow 第三章基本开发步骤--以逻辑回归拟合二维数据为例（转）相关推荐

最新文章

热门文章