机器学习——Tensorflow神经网络-7
Posted lidashent
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了机器学习——Tensorflow神经网络-7相关的知识,希望对你有一定的参考价值。
文章目录
- Tensorflow与深度学习
- 神经网络
- 神经网络基础
- 感知机
- 感知机与逻辑回归的联系与区别
- 演示:
- 神经网络的发展
- 杰弗里·埃弗里斯特·辛顿
- 神经网络的特点
- 神经网络的组成
- 浅层人工神经网络模型
- Mnist数据集神经网络分析
- one-hot编码分析
- one-hotAPI介绍
- 获取数据
- SoftMax回归
- 1、全连接-从输入直接到输出
- 想一想线性回归的损失函数,那么如何去衡量神经网络的损失?
- 损失计算-交叉熵损失公式(了解)
- 2、SoftMax计算、交叉熵
- 损失值列表平均值计算
- 其他方法-损失下降API
- 准确性计算
- Mnist数据集神经网络实现流程
- 深层的神经网络
- 卷积神经网络
- 全连接神经网络的缺点
- 卷积神经网络的发展历史
- 卷积神经网络错误率
- 卷积神经网络的结构分析
- 神经网络(neural networks)的基本组成
- 数据变化
- 卷积神经网络的结构
- 卷积层计算过程(一个通道一个Filter一步长)
- 卷积层计算过程(当步长为2的时候)
- 卷积层的零填充
- 如果需要卷积之后输出大小一样:零填的大小为2
- 卷积网络API介绍
- 多通道图片-外围补充与多Filter
- 新的激活函数-Relu
- 激活函数:
- 池化层(Pooling)计算
- 池化:
- Full Connected层
- Mnist手写数字图片识别卷积网络案例
- Mnist数据集人工神经网络分析
- Mnist数字识别卷积实现
- 常见卷积网络模型的结构
- AlexNet:2012年
- GoogleNet:
Tensorflow与深度学习
神经网络
1、神经网络基础
2、人工神经网络(ANN)
3、Mnist数据集浅层神经网络分析
4、卷积神经网络(CNN)
5、Mnist数字图片识别
神经网络基础
1、感知机
2、人工神经网络
感知机
有n个输入数据,通过权重与各数据之间的计算和,
比较激活函数结果,得出输出
应用:很容易解决与、或、非问题
——Rosenblatt在1957年,于Cornell航空实验室时所发明的一种
——人工神经网络
感知机与逻辑回归的联系与区别
激活函数、结果分析
演示:
http://playground.tensorflow.org/#activation=sigmoid®ularization=L2&batchSize=10&dataset=circle®Dataset=reg-plane&learningRate=0.03®ularizationRate=0&noise=0&networkShape=3&seed=0.84062&showTestData=false&discretize=false&percTrainData=50&x=true&y=true&xTimesY=false&xSquared=false&ySquared=false&cosX=false&sinX=false&cosY=false&sinY=false&collectStats=false&problem=classification&initZero=false&showTestData_hide=true&learningRate_hide=true®ularizationRate_hide=true&percTrainData_hide=true&numHiddenLayers_hide=true&discretize_hide=true&activation_hide=true&problem_hide=true&noise_hide=true®ularization_hide=true&dataset_hide=true&batchSize_hide=true&playButton_hide=false
神经网络的发展
——定义:在机器学习和认知科学领域,人工神经网络(artificial neural network,
——缩写ANN),简称神经网络(:neural network,缩写NN)或类神经网络,是一
——种模仿生物神经网络的结构和功能的计算模型,用于对函数进行估计或近似。
——神经网络的种类:
——基础神经网络:单层感知器,线性神经网络,BP神经网络,Hopfield神经网络等?
——进阶神经网络:玻尔兹曼机,受限玻尔兹曼机,递归神经网络等?
——深度神经网络:深度置信网络,卷积神经网络,循环神经网络,LSTM网络等?
杰弗里·埃弗里斯特·辛顿
(英语:Geoffrey Everest Hinton)(1947年12月6日-)是一位英国出生的计算机学家和心理学家,以其在神经网络方面的贡献闻名。辛顿是反向传播算法的发明人之一,也是深度学习的积极推动者。
Yann Lecun
Yoshua Bengio
Geoffrey Hinton
Andrew Ng
神经网络的特点
——输入向量的维度和输入神经元的个数相同
——每个连接都有个权值
——同一层神经元之间没有连接
——由输入层,隐层,输出层组成
——第N层与第N-1层的所有神经元连接,也叫全连接
——
神经网络的组成
——结构(Architecture)例如,神经网络中的变量可以是神经元连接的权重
——激励函数(Activity Rule)大部分神经网络模型具有一个短时间尺度的动力学规则,来定义神经元如何根据其他神经元的活动来改变自己的激励值。
——学习规则(Learning Rule)学习规则指定了网络中的权重如何随着时间推进而调整。(反向传播算法)
浅层人工神经网络模型
1、SoftMax回归
2、损失计算API
3、其他方法API介绍
Mnist数据集神经网络分析
one-hot编码分析
one-hotAPI介绍
获取数据
——from tensorflow.examples.tutorials.mnist import input_data
——
——mnist = input_data.read_data_sets(FLAGS.data_dir, one_hot=True)
SoftMax回归
公式:
1、全连接-从输入直接到输出
——特征加权:
——tf.matmul(a, b,name=None)+bias
——return:全连接结果,供交叉损失运算
——不需要激活函数(因为是最后的输出)
想一想线性回归的损失函数,那么如何去衡量神经网络的损失?
损失计算-交叉熵损失公式(了解)
公式:
注:
2、SoftMax计算、交叉熵
——tf.nn.softmax_cross_entropy_with_logits(labels=None,
—— logits=None,name=None)
—— 计算logits和labels之间的交叉损失熵
——labels:标签值(真实值)
——logits:样本加权之后的值
——return:返回损失值列表
损失值列表平均值计算
——tf.reduce_mean(input_tensor)
——计算张量的尺寸的元素平均值
其他方法-损失下降API
——tf.train.GradientDescentOptimizer(learning_rate)
——梯度下降优化
——learning_rate:学习率,一般为
——minimize(loss):最小化损失
——return:梯度下降op
准确性计算
1、equal_list = tf.equal(tf.argmax(y, 1), tf.argmax(y_label, 1))
2、accuracy = tf.reduce_mean(tf.cast(equal_list, tf.float32))
Mnist数据集神经网络实现流程
1、准备数据
2、全连接结果计算
3、损失优化
4、模型评估(计算准确性)
深层的神经网络
——深度学习网络与更常见的单一隐藏层神经网络的区别在于深度,深度学
——习网络中,每一个节点层在前一层输出的基础上学习识别一组特定的特征。
——随着神经网络深度增加,节点所能识别的特征也就越来越复杂。
卷积神经网络
1、卷积神经网络与简单的全连接神经网络的比较
2、卷积神经网络的发展历史
3、卷积神经网络的结构分析
4、卷积网络API介绍
全连接神经网络的缺点
——参数太多,在cifar-10的数据集中,只有32323,就会
——有这么多权重,如果说更大的图片,比如2002003就需
——要120000多个,这完全是浪费
——没有利用像素之间位置信息,对于图像识别任务来说,
——每个像素与周围的像素都是联系比较紧密的。
——层数限制
——
——
卷积神经网络的发展历史
卷积神经网络错误率
卷积神经网络的结构分析
神经网络(neural networks)的基本组成
包括输入层、隐藏层、输出层。而卷积神经网络的特点在于隐藏层分为卷积层和池化层
——(pooling layer,又叫下采样层)。
——卷积层:通过在原始图像上平移来提取特征,每一个特征——就是一个特征映射
——池化层:通过特征后稀疏参数来减少学习的参数,降低
——网络的复杂度,(最大池化和平均池化)
数据变化
卷积神经网络的结构
——1、卷积层过滤器
——个数
——大小
——步长
——零填充
——
——卷积层输出深度、输出宽度
——深度由过滤器个数决定
——输出宽度:
——
——
——1、激活函数
——
——1、池化层
——
——2、全连接层
卷积层计算过程(一个通道一个Filter一步长)
卷积层计算过程(当步长为2的时候)
卷积层的零填充
——卷积核在提取特征映射时的动作称之为padding(零填充),由于移动步长不
——一定能整出整张图的像素宽度。其中有两种方式,SAME和VALID
——
——SAME:越过边缘取样,取样的面积和输入图像的像素宽度一致。
——VALID:不越过边缘取样,取样的面积小于输入人的图像的像素宽度
如果需要卷积之后输出大小一样:零填的大小为2
卷积网络API介绍
——卷积层:
——tf.nn.conv2d(input, filter, strides=, padding=, name=None)
——计算给定4-D?input和filter张量的2维卷积
——input:给定的输入张量,具有[batch,heigth,width,
——channel],类型为float32,64
——filter:指定过滤器的大小,[filter_height, filter_width,
—— in_channels, out_channels]
——strides:strides = [1, stride, stride, 1],步长
——padding:“SAME”, “VALID”,使用的填充算法的类型,
——使用“SAME”。其中”VALID”表示滑动超出部分舍弃,
——“SAME”表示填充,使得变化后height,width一样大
多通道图片-外围补充与多Filter
新的激活函数-Relu
第一,采用sigmoid等函数,反向传播求误差梯度时,计算量相对大,而采用Relu激活函数,整个过程的计算量节省很多
第二,对于深层网络,sigmoid函数反向传播时,很容易就会出现梯度消失的情况(求不出权重和偏置)
激活函数:
——tf.nn.relu(features, name=None)
——
——features:卷积后加上偏置的结果
——return:结果
池化层(Pooling)计算
Pooling层主要的作用是特征提取,通过去掉Feature Map中不重要的样本,进一步减少参数数量。Pooling的方法很多,最常用的是Max Pooling。
池化:
tf.nn.max_pool(value, ksize=, strides=, padding=,name=None)
——输入上执行最大池数
——value:4-D Tensor形状[batch, height, width, channels]
——ksize:池化窗口大小,[1, ksize, ksize, 1]
——strides:步长大小,[1,strides,strides,1]
——padding:“SAME”, “VALID”,使用的填充算法的类型,
——使用“SAME”
——
Full Connected层
分析:前面的卷积和池化相当于做特征工程,后面的全连接相当于做特征加权。最后的全连接层在整个卷积神经网络中起到“分类器”的作用。
Mnist手写数字图片识别卷积网络案例
Mnist数据集人工神经网络分析
Mnist数字识别卷积实现
流程:
1、准备数据
2、卷积、激活、池化(两层)
3、全连接层
4、计算准确率
常见卷积网络模型的结构
LeNet:1986年
AlexNet:2012年
60M以上的参数总量
GoogleNet:
以上是关于机器学习——Tensorflow神经网络-7的主要内容,如果未能解决你的问题,请参考以下文章
机器学习的大局观:使用神经网络和TensorFlow来对文本分类
机器学习与Tensorflow——循环神经网络长短时记忆网络