TensorFlow HOWTO 4.1 多层感知机(分类)
4.1 多层感知机(分类)
这篇文章开始就是深度学习了。多层感知机的架构是这样:
输入层除了提供数据之外,不干任何事情。隐层和输出层的每个节点都计算一次线性变换,并应用非线性激活函数。隐层的激活函数是压缩性质的函数。输出层的激活函数取决于标签的取值范围。
其本质上相当于广义线性回归模型的集成。
操作步骤
导入所需的包。
import tensorflow as tf
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
import sklearn.datasets as ds
import sklearn.model_selection as ms
导入数据,并进行预处理。我们使用鸢尾花数据集所有样本。根据萼片长度和花瓣长度预测样本是不是杂色鸢尾(第二种)。要注意杂色鸢尾在另外两种之间,所以它不是线性问题。
iris = ds.load_iris()x_ = iris.data[:, [0, 2]]
y_ = (iris.target == 1).astype(int)
y_ = np.expand_dims(y_ , 1)x_train, x_test, y_train, y_test = \ms.train_test_split(x_, y_, train_size=0.7, test_size=0.3)
定义超参数。
变量 | 含义 |
---|---|
n_input
|
样本特征数 |
n_epoch
|
迭代数 |
n_hidden1
|
隐层 1 的单元数 |
n_hidden2
|
隐层 2 的单元数 |
lr
|
学习率 |
threshold
|
如果输出超过这个概率,将样本判定为正样本 |
n_input = 2
n_hidden1 = 4
n_hidden2 = 4
n_epoch = 2000
lr = 0.05
threshold = 0.5
搭建模型。要注意隐层的激活函数使用了目前暂时最优的 ELU。由于这个是二分类问题,输出层激活函数只能是 Sigmoid。
变量 | 含义 |
---|---|
x
|
输入 |
y
|
真实标签 |
w_l{1,2,3}
|
第{1,2,3} 层的权重
|
b_l{1,2,3}
|
第{1,2,3} 层的偏置
|
z_l{1,2,3}
|
第{1,2,3} 层的中间变量,前一层输出的线性变换
|
a_l{1,2,3}
|
第{1,2,3} 层的输出,其中a_l3 样本是正样本的概率
|
x = tf.placeholder(tf.float64, [None, n_input])
y = tf.placeholder(tf.float64, [None, 1])
w_l1 = tf.Variable(np.random.rand(n_input, n_hidden1))
b_l1 = tf.Variable(np.random.rand(1, n_hidden1))
w_l2 = tf.Variable(np.random.rand(n_hidden1, n_hidden2))
b_l2 = tf.Variable(np.random.rand(1, n_hidden2))
w_l3 = tf.Variable(np.random.rand(n_hidden2, 1))
b_l3 = tf.Variable(np.random.rand(1, 1))
z_l1 = x @ w_l1 + b_l1
a_l1 = tf.nn.elu(z_l1)
z_l2 = a_l1 @ w_l2 + b_l2
a_l2 = tf.nn.elu(z_l2)
z_l3 = a_l2 @ w_l3 + b_l3
a_l3 = tf.sigmoid(z_l3)
定义交叉熵损失、优化操作、和准确率度量指标。
变量 | 含义 |
---|---|
loss
|
损失 |
op
|
优化操作 |
y_hat
|
标签的预测值 |
acc
|
准确率 |
loss = - tf.reduce_mean(y * tf.log(a_l3) + (1 - y) * tf.log(1 - a_l3))
op = tf.train.AdamOptimizer(lr).minimize(loss)y_hat = tf.to_double(a_l3 > threshold)
acc = tf.reduce_mean(tf.to_double(tf.equal(y_hat, y)))
使用训练集训练模型。
losses = []
accs = []with tf.Session() as sess:sess.run(tf.global_variables_initializer())for e in range(n_epoch):_, loss_ = sess.run([op, loss], feed_dict={x: x_train, y: y_train})losses.append(loss_)
使用测试集计算准确率。
acc_ = sess.run(acc, feed_dict={x: x_test, y: y_test})accs.append(acc_)
每一百步打印损失和度量值。
if e % 100 == 0:print(f'epoch: {e}, loss: {loss_}, acc: {acc_}')
得到决策边界:
x_plt = x_[:, 0]y_plt = x_[:, 1]c_plt = y_.ravel()x_min = x_plt.min() - 1x_max = x_plt.max() + 1y_min = y_plt.min() - 1y_max = y_plt.max() + 1x_rng = np.arange(x_min, x_max, 0.05)y_rng = np.arange(y_min, y_max, 0.05)x_rng, y_rng = np.meshgrid(x_rng, y_rng)model_input = np.asarray([x_rng.ravel(), y_rng.ravel()]).Tmodel_output = sess.run(y_hat, feed_dict={x: model_input}).astype(int)c_rng = model_output.reshape(x_rng.shape)
输出:
epoch: 0, loss: 8.951598255929909, acc: 0.28888888888888886
epoch: 100, loss: 0.5002945631529941, acc: 0.7333333333333333
epoch: 200, loss: 0.10712651780120697, acc: 0.9333333333333333
epoch: 300, loss: 0.08321807852608396, acc: 0.9333333333333333
epoch: 400, loss: 0.08013835031876741, acc: 0.9333333333333333
epoch: 500, loss: 0.07905186419367002, acc: 0.9333333333333333
epoch: 600, loss: 0.07850865683940819, acc: 0.9333333333333333
epoch: 700, loss: 0.07808251016428093, acc: 0.9333333333333333
epoch: 800, loss: 0.07780712763974691, acc: 0.9333333333333333
epoch: 900, loss: 0.07759866398922599, acc: 0.9333333333333333
epoch: 1000, loss: 0.07744327666591566, acc: 0.9333333333333333
epoch: 1100, loss: 0.07731295774932465, acc: 0.9333333333333333
epoch: 1200, loss: 0.07721162022836371, acc: 0.9333333333333333
epoch: 1300, loss: 0.07712807776857629, acc: 0.9333333333333333
epoch: 1400, loss: 0.07735547120278226, acc: 0.9333333333333333
epoch: 1500, loss: 0.07700215794853897, acc: 0.9333333333333333
epoch: 1600, loss: 0.07695230759382654, acc: 0.9333333333333333
epoch: 1700, loss: 0.07690933782097598, acc: 0.9333333333333333
epoch: 1800, loss: 0.07687191279304387, acc: 0.9333333333333333
epoch: 1900, loss: 0.07683911419647445, acc: 0.9333333333333333
绘制整个数据集以及决策边界。
plt.figure()
cmap = mpl.colors.ListedColormap(['r', 'b'])
plt.scatter(x_plt, y_plt, c=c_plt, cmap=cmap)
plt.contourf(x_rng, y_rng, c_rng, alpha=0.2, linewidth=5, cmap=cmap)
plt.title('Data and Model')
plt.xlabel('Petal Length (cm)')
plt.ylabel('Sepal Length (cm)')
plt.show()
绘制训练集上的损失。
plt.figure()
plt.plot(losses)
plt.title('Loss on Training Set')
plt.xlabel('#epoch')
plt.ylabel('Cross Entropy')
plt.show()
绘制测试集上的准确率。
plt.figure()
plt.plot(accs)
plt.title('Accurary on Testing Set')
plt.xlabel('#epoch')
plt.ylabel('Accurary')
plt.show()
扩展阅读
- DeepLearningAI 笔记:浅层神经网络
- DeepLearningAI 笔记:深层神经网络
TensorFlow HOWTO 4.1 多层感知机(分类)相关推荐
- TensorFlow HOWTO 4.2 多层感知机回归(时间序列)
4.2 多层感知机回归(时间序列) 这篇教程中,我们使用多层感知机来预测时间序列,这是回归问题. 操作步骤 导入所需的包. import tensorflow as tf import numpy a ...
- 多层感知机 分类思想_感知和行动是产品设计需要意识到的思想形式
多层感知机 分类思想 I spend my working days at a company that builds a social media management platform for c ...
- 深度学习softmax与多层感知机分类模型
softmax 简单的分类问题 一个简单的图像分类问题,输入图像的高和宽均为2像素,色彩为灰度.图像中的4像素分别记为x1,x2,x3,x4x_1,x_2,x_3,x_4x1,x2,x3,x4 ...
- TensorFlow HOWTO 2.1 支持向量分类(软间隔)
在传统机器学习方法,支持向量机算是比较厉害的方法,但是计算过程非常复杂.软间隔支持向量机通过减弱了其约束,使计算变得简单. 操作步骤 导入所需的包. import tensorflow as tf i ...
- TensorFlow HOWTO 2.3 支持向量分类(高斯核)
遇到非线性可分的数据集时,我们需要使用核方法,但为了使用核方法,我们需要返回到拉格朗日对偶的推导过程,不能简单地使用 Hinge 损失. 操作步骤 导入所需的包. import tensorflow ...
- TensorFlow实现多层感知机MINIST分类
TensorFlow实现多层感知机MINIST分类 TensorFlow 支持自动求导,可以使用 TensorFlow 优化器来计算和使用梯度.使用梯度自动更新用变量定义的张量.本文将使用 Tenso ...
- TensorFlow多层感知机实现MINIST分类
import tensorflow as tf import tensorflow.contrib.layers as layers from tensorflow.python import deb ...
- 基于Tensorflow实现多层感知机网络MLPs
正文共1232张图,1张图,预计阅读时间7分钟. github:https://github.com/sladesha/deep_learning 之前在基于Tensorflow的神经网络解决用户流失 ...
- TensorFlow实现多层感知机
一.感知机的简介 在前面我们实现了一个softmax regression,也可以说是一个多分类问题的logistic regression.它和传统意义上的神经网络最大的区别就是没有隐藏层.在一个神 ...
最新文章
- ORACLE如何使用DBMS_METADATA.GET_DDL获取DDL语句
- iOS 9音频应用播放音频之iOS 9音频播放进度
- html友情链接效果代码,HTML友情链接代码
- x264 n-th pass编码时候Stats文件的含义
- EasyUI_datagrid
- 博士当中学老师是“人才浪费”?
- php网站渗透实战_【案例分析】记一次综合靶场实战渗透
- matlab在同一窗口中画多个三维图像
- 数字图像处理 采样定理_数字图像处理(第4版)
- 构建java ut运行环境
- Guava之Joiner笔记
- python爬虫之QQ空间登陆获取信息(超级详细)
- switch 语句 -- 超详解
- HHUOJ 1887 班级聚会上的游戏
- 太原理工大于丹计算机,太原理工大学硕士生将参加中国第30次南极考察
- JAVA开发离线语音识别
- [INSTALL_FAILED_DUPLICATE_PERMISSION perm=quicksdk_packageName.permission.JPUSH_MESSAGE pkg=com.shou
- snap7-c++/MFC开发笔记
- 二、web通信知识拓
- 关于badboy录制脚本时无法打开网页的一些办法
热门文章
- (45)FPGA面试题格雷码特点及其应用
- python做单元测试_如何使用python做单元测试?
- memset() 初始化类对象
- 5009. tinyfsm有限状态机
- jenkins构建后脚本不执行_接口管理工具ApiPost-预(后)执行脚本常用方法集合
- 动态加载子节点_简易数据分析 10 | Web Scraper 翻页—抓取「滚动加载」类型网页...
- linux路由内核实现分析(二)---FIB相关数据结构(3)
- 中断触发流程三(中断控制器)
- 嵌入式Linux系统编程学习之九基于文件描述符的文件操作
- Java的echo_简单的Java echo服务器问题