TensorFlow2神经网络训练

文章目录

TensorFlow2神经网络训练
- 梯度下降
- 反向传播
- 训练可视化
- 补充说明

梯度下降

梯度∇f=(∂f∂x1;∂f∂x2;…;∂f∂xn)\nabla f=\left(\frac{\partial f}{\partial x_{1}} ; \frac{\partial f}{\partial x_{2}} ; \ldots ; \frac{\partial f}{\partial x_{n}}\right)∇f=(∂x1∂f;∂x2∂f;…;∂xn∂f)指函数关于变量x的导数，梯度的方向表示函数值增大的方向，梯度的模表示函数值增大的速率。那么只要不断将参数的值向着梯度的反方向更新一定大小，就能得到函数的最小值（全局最小值或者局部最小值）。
θt+1=θt−αt∇f(θt)\theta_{t+1}=\theta_{t}-\alpha_{t} \nabla f\left(\theta_{t}\right)θt+1=θt−αt∇f(θt)
上述参数更新的过程就叫做梯度下降法，但是一般利用梯度更新参数时会将梯度乘以一个小于1的学习速率（learning rate），这是因为往往梯度的模还是比较大的，直接用其更新参数会使得函数值不断波动，很难收敛到一个平衡点（这也是学习率不宜过大的原因）。
但是对于不同的函数，GD（梯度下降法）未必都能找到最优解，很多时候它只能收敛到一个局部最优解就不再变动了（尽管这个局部最优解已经很接近全局最优解了），这是函数性质决定的，实验证明，梯度下降法对于凸函数有着较好的表现。
TensorFlow和PyTorch这类深度学习框架是支持自动梯度求解的，在TensorFlow2中只要将需要进行梯度求解的代码段包裹在GradientTape中，TensorFlow就会自动求解相关运算的梯度。但是通过tape.gradient(loss, [w1, w2, ...])只能调用一次，梯度作为占用显存较大的资源在被获取一次后就会被释放掉，要想多次调用需要设置tf.GradientTape(persistent=True)（此时注意及时释放资源）。TensorFlow2也支持多阶求导，只要将求导进行多层包裹即可。示例如下。

反向传播

反向传播算法（BP）是训练深度神经网络的核心算法，它的实现是基于链式法则的。将输出层的loss通过权值反向传播(前向传播的逆运算)回第i层（这是个反复迭代返回的过程），计算i层的梯度更新参数。具体原理见之前的BP神经网络博客。

在TensorFlow2中，对于经典的BP神经网络层进行了封装，称为全连接层，自动完成BP神经网络隐层的操作。下面为使用Dense层构建BP神经网络训练Fashion_MNIST数据集进行识别的代码。

"""
Author: Zhou Chen
Date: 2019/10/15
Desc: About
"""
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import datasets, layers, optimizers, Sequential, metrics(x, y), (x_test, y_test) = datasets.fashion_mnist.load_data()
print(x.shape, y.shape)def preprocess(x, y):x = tf.cast(x, dtype=tf.float32) / 255.y = tf.cast(y, dtype=tf.int32)return x, ybatch_size = 64
db = tf.data.Dataset.from_tensor_slices((x, y))
db = db.map(preprocess).shuffle(10000).batch(batch_size)
db_test = tf.data.Dataset.from_tensor_slices((x_test, y_test))
db_test = db_test.map(preprocess).shuffle(10000).batch(batch_size)model = Sequential([layers.Dense(256, activation=tf.nn.relu),  # [b, 784] => [b, 256]layers.Dense(128, activation=tf.nn.relu),  # [b, 256] => [b, 128]layers.Dense(64, activation=tf.nn.relu),  # [b, 128] => [b, 64]layers.Dense(32, activation=tf.nn.relu),  # [b, 64] => [b, 32]layers.Dense(10),  # [b, 32] => [b, 10]
])
model.build(input_shape=([None, 28*28]))
optimizer = optimizers.Adam(lr=1e-3)def main():# forwardfor epoch in range(30):for step, (x, y) in enumerate(db):x = tf.reshape(x, [-1, 28*28])with tf.GradientTape() as tape:logits = model(x)y_onthot = tf.one_hot(y, depth=10)loss_mse = tf.reduce_mean(tf.losses.MSE(y_onthot, logits))loss_ce = tf.reduce_mean(tf.losses.categorical_crossentropy(y_onthot, logits, from_logits=True))grads = tape.gradient(loss_ce, model.trainable_variables)# backwardoptimizer.apply_gradients(zip(grads, model.trainable_variables))if step % 100 == 0:print(epoch, step, "loss:", float(loss_mse), float(loss_ce))# testtotal_correct, total_num = 0, 0for x, y in db_test:x = tf.reshape(x, [-1, 28*28])logits = model(x)prob = tf.nn.softmax(logits, axis=1)pred = tf.cast(tf.argmax(prob, axis=1), dtype=tf.int32)correct = tf.reduce_sum(tf.cast(tf.equal(pred, y), dtype=tf.int32))total_correct += int(correct)total_num += int(x.shape[0])acc = total_correct / total_numprint("acc", acc)if __name__ == '__main__':main()

训练可视化

TensorFlow有一套伴生的可视化工具包TensorBoard（使用pip安装，最新版本的TensorFlow会自动安装TensorBoard），它是基于Web端的方便监控训练过程和训练数据的工具，监控数据来源于本地磁盘指定的一个目录。一般使用TensorBoard需要三步，创建log目录，创建summary实例，指定数据给summary实例。
tensorboard --logdir logs监听设定的log目录，此时由于并没有写入文件，所以显示如下。

后面两步一般在训练过程中嵌入，示例如下。（注意，TensorBoard并没有设计组合多个sample图片而是一个个显示，组合需要自己写接口，下面的代码就写了这个接口。）

"""
Author: Zhou Chen
Date: 2019/10/15
Desc: About
"""
import tensorflow as tf
from tensorflow.keras import datasets, layers, optimizers, Sequential, metrics
import datetime
from matplotlib import pyplot as plt
import iodef preprocess(x, y):x = tf.cast(x, dtype=tf.float32) / 255.y = tf.cast(y, dtype=tf.int32)return x, ydef plot_to_image(figure):# Save the plot to a PNG in memory.buf = io.BytesIO()plt.savefig(buf, format='png')# Closing the figure prevents it from being displayed directly inside the notebook.plt.close(figure)buf.seek(0)# Convert PNG buffer to TF imageimage = tf.image.decode_png(buf.getvalue(), channels=4)# Add the batch dimensionimage = tf.expand_dims(image, 0)return imagedef image_grid(images):"""Return a 5x5 grid of the MNIST images as a matplotlib figure."""# Create a figure to contain the plot.figure = plt.figure(figsize=(10, 10))for i in range(25):# Start next subplot.plt.subplot(5, 5, i + 1, title='name')plt.xticks([])plt.yticks([])plt.grid(False)plt.imshow(images[i], cmap=plt.cm.binary)return figurebatchsz = 128
(x, y), (x_val, y_val) = datasets.mnist.load_data()
print('datasets:', x.shape, y.shape, x.min(), x.max())db = tf.data.Dataset.from_tensor_slices((x, y))
db = db.map(preprocess).shuffle(60000).batch(batchsz).repeat(10)ds_val = tf.data.Dataset.from_tensor_slices((x_val, y_val))
ds_val = ds_val.map(preprocess).batch(batchsz, drop_remainder=True)network = Sequential([layers.Dense(256, activation='relu'),layers.Dense(128, activation='relu'),layers.Dense(64, activation='relu'),layers.Dense(32, activation='relu'),layers.Dense(10)])
network.build(input_shape=(None, 28 * 28))
network.summary()optimizer = optimizers.Adam(lr=0.01)current_time = datetime.datetime.now().strftime("%Y%m%d-%H%M%S")
log_dir = 'logs/' + current_time
summary_writer = tf.summary.create_file_writer(log_dir)# get x from (x,y)
sample_img = next(iter(db))[0]
# get first image instance
sample_img = sample_img[0]
sample_img = tf.reshape(sample_img, [1, 28, 28, 1])
with summary_writer.as_default():tf.summary.image("Training sample:", sample_img, step=0)for step, (x, y) in enumerate(db):with tf.GradientTape() as tape:# [b, 28, 28] => [b, 784]x = tf.reshape(x, (-1, 28 * 28))# [b, 784] => [b, 10]out = network(x)# [b] => [b, 10]y_onehot = tf.one_hot(y, depth=10)# [b]loss = tf.reduce_mean(tf.losses.categorical_crossentropy(y_onehot, out, from_logits=True))grads = tape.gradient(loss, network.trainable_variables)optimizer.apply_gradients(zip(grads, network.trainable_variables))if step % 100 == 0:print(step, 'loss:', float(loss))with summary_writer.as_default():tf.summary.scalar('train-loss', float(loss), step=step)# evaluateif step % 500 == 0:total, total_correct = 0., 0for _, (x, y) in enumerate(ds_val):# [b, 28, 28] => [b, 784]x = tf.reshape(x, (-1, 28 * 28))# [b, 784] => [b, 10]out = network(x)# [b, 10] => [b]pred = tf.argmax(out, axis=1)pred = tf.cast(pred, dtype=tf.int32)# bool typecorrect = tf.equal(pred, y)# bool tensor => int tensor => numpytotal_correct += tf.reduce_sum(tf.cast(correct, dtype=tf.int32)).numpy()total += x.shape[0]print(step, 'Evaluate Acc:', total_correct / total)# print(x.shape)val_images = x[:25]val_images = tf.reshape(val_images, [-1, 28, 28, 1])with summary_writer.as_default():tf.summary.scalar('test-acc', float(total_correct / total), step=step)tf.summary.image("val-onebyone-images:", val_images, max_outputs=25, step=step)val_images = tf.reshape(val_images, [-1, 28, 28])figure = image_grid(val_images)tf.summary.image('val-images:', plot_to_image(figure), step=step)

TensorBoard的反馈效果如下。

补充说明

本文主要针对TensorFlow2中layers中Dense层以及反向传播和训练可视化进行了简略说明。
博客同步至我的个人博客网站，欢迎浏览其他文章。
如有错误，欢迎指正。

TensorFlow2-神经网络训练相关推荐

【神经网络与深度学习】CIFAR10数据集介绍，并使用卷积神经网络训练图像分类模型——[附完整训练代码]
[神经网络与深度学习]CIFAR-10数据集介绍,并使用卷积神经网络训练模型--[附完整代码] 一.CIFAR-10数据集介绍 1.1 CIFAR-10数据集的内容 1.2 CIFAR-10数据集的结 ...
Pytorch学习记录-torchtext和Pytorch的实例（使用神经网络训练Seq2Seq代码）
Pytorch学习记录-torchtext和Pytorch的实例1 0. PyTorch Seq2Seq项目介绍 1. 使用神经网络训练Seq2Seq 1.1 简介,对论文中公式的解读 1.2 数据预 ...
亚马逊马超：如何使用DGL进行大规模图神经网络训练？
演讲嘉宾 | 马超(亚马逊应用科学家) 整理 | 刘静出品 | AI科技大本营(ID:rgznai100) 与传统基于张量(Tensor)的神经网络相比,图神经网络将图 (Graph) 作为输入, ...
谷歌力作：神经网络训练中的Batch依赖性很烦？那就消了它！
点击上方↑↑↑"视学算法"关注我来源:公众号量子位授权转再见了,批量依赖性(Batch Dependence). 优化神经网络方法千千万,批量归一化(Batch Norma ...
陈键飞：基于随机量化的高效神经网络训练理论及算法
[专栏:前沿进展]随着预训练模型参数规模的增长,所需的算力也不断增加,从算法层面研究和处理模型规模的增长成为研究者关注的话题.近期举办的Big Model Meetup第二期活动,特邀清华大学助理教授 ...
技术新进展！谷歌AI部门宣布发现新技术以加速AI神经网络训练
https://t.qianzhan.com/caijing/detail/190716-73349ac9.html 谷歌的张量处理器(TPU)和英特尔的Nervana神经网络处理器等人工智能加速器硬 ...
深度学习与计算机视觉系列(8)_神经网络训练与注意点
深度学习与计算机视觉系列(8)_神经网络训练与注意点作者:寒小阳时间:2016年1月. 出处:http://blog.csdn.net/han_xiaoyang/article/details ...
学界 | 数据并行化对神经网络训练有何影响？谷歌大脑进行了实证研究
选自arXiv 作者:Christopher J. Shallue 等机器之心编译参与:路.张倩近期的硬件发展实现了前所未有的数据并行化,从而加速神经网络训练.利用下一代加速器的最简单方法是增加 ...
训练softmax分类器实例_知识蒸馏：如何用一个神经网络训练另一个神经网络
作者:Tivadar Danka 编译:ronghuaiyang 原文链接知识蒸馏:如何用一个神经网络训练另一个神经网络mp.weixin.qq.com 导读知识蒸馏的简单介绍,让大家了解知识蒸 ...
神经网络训练细节之batch normalization
在对神经网络进行训练的时候,经常涉及到的一个概念就是batch normalization,那么究竟什么是batch normalization,以及为什么在训练的时候要加入batch normali ...

TensorFlow2-神经网络训练

TensorFlow2神经网络训练

文章目录

梯度下降

反向传播

训练可视化

补充说明

TensorFlow2-神经网络训练相关推荐

最新文章

热门文章