TensorFlow基础入门--基础总结(TensorFlow框架基础)

Posted byczyz

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TensorFlow基础入门--基础总结(TensorFlow框架基础)相关的知识,希望对你有一定的参考价值。

本节课目标:搭建神经网络,总结搭建八股
一、基本概念
基于TensorFlow的NN:用张量表示数据,用计算图搭建神经网络,用会话执行计算图,优化线上的权重(参数),得到模型
 
张量:张量就是多维数组(列表),用阶表示张量的维度。
 
0阶称为标量,表示一个单独的数                        举例S=123
 
1阶张量称作向量,表示一个一维数组              举例 V=[1,2,3]
 
2阶张量称作矩阵,表示一个二维数组,它可以有i行j列个元素,每个元素可以用行号和列号共同索引到:
举例 m=[[1,2,3],[4,5,6],[7,8,9]]
 
判断张量是几阶的,就通过张量右边的方括号数,0 个是 0 阶,n 个是 n 阶,张量可以表示 0 阶到 n 阶数组(列表);
举例 t=[ [ [… ] ] ]为 3 阶。
 
数据类型:Tensorflow 的数据类型有 tf.float32、tf.int32 等。
举例
我们实现 Tensorflow 的加法:
import tensorflow as tf #引入模块
a = tf.constant([1.0, 2.0]) #定义一个张量等于[1.0,2.0]
b = tf.constant([3.0, 4.0]) #定义一个张量等于[3.0,4.0]
result = a+b #实现 a 加 b 的加法
print result #打印出结果
可以打印出这样一句话:Tensor(“add:0”, shape=(2, ), dtype=float32),意思为 result 是一个名称为 add:0 的张量,shape=(2,)表示一维数组长度为 2,
dtype=float32 表示数据类型为浮点型。
 
 
计算图(Graph):搭建神经网络的计算过程,是承载一个或多个计算节点的一
张图,只搭建网络,不运算。
举例
在第一讲中我们曾提到过,神经网络的基本模型是神经元,神经元的基本模型其
实就是数学中的乘、加运算。我们搭建如下的计算图:
技术图片
 
x1、x2 表示输入,w1、w2 分别是 x1 到 y 和 x2 到 y 的权重,y=x1*w1+x2*w2。
我们实现上述计算图:
import tensorflow as tf #引入模块
x = tf.constant([[1.0, 2.0]]) #定义一个 2 阶张量等于[[1.0,2.0]]
w = tf.constant([[3.0], [4.0]]) #定义一个 2 阶张量等于[[3.0],[4.0]]
y = tf.matmul(x, w) #实现 xw 矩阵乘法
print y #打印出结果
可以打印出这样一句话:Tensor(“matmul:0”, shape(1,1), dtype=float32),
从这里我们可以看出,print 的结果显示 y 是一个张量,只搭建承载计算过程的
计算图,并没有运算,如果我们想得到运算结果就要用到“会话 Session()”了。
 
会话(Session):执行计算图中的节点运算。
我们用 with 结构实现,语法如下:
with tf.Session() as sess:
print sess.run(y)
 
举例对于刚刚所述计算图,我们执行 Session()会话可得到矩阵相乘结果:
import tensorflow as tf #引入模块
x = tf.constant([[1.0, 2.0]]) #定义一个 2 阶张量等于[[1.0,2.0]]
w = tf.constant([[3.0], [4.0]]) #定义一个 2 阶张量等于[[3.0],[4.0]]
y = tf.matmul(x, w) #实现 xw 矩阵乘法
print y #打印出结果
with tf.Session() as sess:
print sess.run(y) #执行会话并打印出执行后的结果
可以打印出这样的结果:
Tensor(“matmul:0”, shape(1,1), dtype=float32)
[[11.]]
我们可以看到,运行Session()会话前只打印出y是个张量的提示,运行Session()
会话后打印出了 y 的结果 1.0*3.0 + 2.0*4.0 = 11.0。
注①:我们以后会常用到 vim 编辑器,为了使用方便,我们可以更改 vim 的配置
文件,使 vim 的使用更加便捷。我们在 vim ~/.vimrc 写入:
set ts=4 表示使 Tab 键等效为 4 个空格
set nu 表示使 vim 显示行号 nu 是 number 缩写
注②:在 vim 编辑器中运行 Session()会话时,有时会出现“提示 warning”,是
因为有的电脑可以支持加速指令,但是运行代码时并没有启动这些指令。可以把
这些“提示 warning”暂时屏蔽掉。屏蔽方法为进入主目录下的 bashrc 文件,在
bashrc 文件中加入这样一句 export TF_CPP_MIN_LOG_LEVEL=2,从而把“提示
warning”等级降低。
这个命令可以控制 python 程序显示提示信息的等级,在 Tensorflow 里面一般设
置成是"0"(显示所有信息)或者"1"(不显示 info),"2"代表不显示 warning,
"3"代表不显示 error。一般不建议设置成 3。
source 命令用于重新执行修改的初始化文件,使之立即生效,而不必注销并重
新登录。
 
神经网络的参数:
神经网络的参数:是指神经元线上的权重 w,用变量表示,一般会先随机生成
这些参数。生成参数的方法是让w等于tf.Variable,把生成的方式写在括号里。
神经网络中常用的生成随机数/数组的函数有:
 
                    tf.random_normal()                            生成正态分布随机数
                    tf.truncated_normal()                         生成去掉过大偏离点的正态分布随机数
                   tf.random_uniform()                            生成均匀分布随机数
                   tf.zeros                                                 表示生成全 0 数组
                   tf.ones                                                  表示生成全 1 数组
                  tf.fill                                                       表示生成全定值数组
                  tf.constant                                            表示生成直接给定值的数组
 
举例
w=tf.Variable(tf.random_normal([2,3],stddev=2, mean=0, seed=1)),表
示生成正态分布随机数,形状两行三列,标准差是 2,均值是 0,随机种子是 1。
 
w=tf.Variable(tf.Truncated_normal([2,3],stddev=2, mean=0, seed=1))
表示去掉偏离过大的正态分布,也就是如果随机出来的数据偏离平均值超过两个
标准差,这个数据将重新生成。
 
w=random_uniform(shape=7,minval=0,maxval=1,dtype=tf.int32,seed=1),
表示从一个均匀分布[minval maxval)中随机采样,注意定义域是左闭右开,即
包含 minval,不包含 maxval。
 
④ 除了生成随机数,还可以生成常量。tf.zeros([3,2],int32)表示生成
[[0,0],[0,0],[0,0]];tf.ones([3,2],int32)表示生成[[1,1],[1,1],[1,1];
tf.fill([3,2],6)表示生成[[6,6],[6,6],[6,6]];tf.constant([3,2,1])表示
生成[3,2,1]。
 
注意:①随机种子如果去掉每次生成的随机数将不一致。
   ②如果没有特殊要求标准差、均值、随机种子是可以不写的。
 
神经网络的搭建:
神经网络的实现过程:
1、准备数据集,提取特征,作为输入喂给神经网络(Neural Network,NN)
 
2、搭建 NN 结构,从输入到输出(先搭建计算图,再用会话执行)( NN 前向传播算法 计算输出)
 
3、大量特征数据喂给 NN,迭代优化 NN 参数( NN 反向传播算法 优化参数训练模型)
 
4、使用训练好的模型预测和分类
由此可见,基于神经网络的机器学习主要分为两个过程,即训练过程和使用过程。
训练过程是第一步、第二步、第三步的循环迭代,使用过程是第四步,一旦参数
优化完成就可以固定这些参数,实现特定应用了。
很多实际应用中,我们会先使用现有的成熟网络结构,喂入新的数据,训练相应
模型,判断是否能对喂入的从未见过的新数据作出正确响应,再适当更改网络结
构,反复迭代,让机器自动训练参数找出最优结构和参数,以固定专用模型。
 
前向传播:
前向传播就是搭建模型的计算过程,让模型具有推理能力,可以针对一组输入
给出相应的输出。
 
反向传播:
反向传播:训练模型参数,在所有参数上用梯度下降,使 NN 模型在训练数据
上的损失函数最小。
 
√损失函数(loss):计算得到的预测值 y 与已知答案 y_的差距。
损失函数的计算有很多方法,均方误差 MSE 是比较常用的方法之一
 
均方误差 MSE:求前向传播计算结果与已知答案之差的平方再求平均。
技术图片
用 tensorflow 函数表示为:
loss_mse = tf.reduce_mean(tf.square(y_ - y))
√反向传播训练方法:以减小 loss 值为优化目标,有梯度下降、momentum 优化
器、adam 优化器等优化方法。
这三种优化方法用 tensorflow 的函数可以表示为:
train_step=tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)
train_step=tf.train.MomentumOptimizer(learning_rate, momentum).minimize(loss)
train_step=tf.train.AdamOptimizer(learning_rate).minimize(loss)
 
三种优化方法区别如下:
①tf.train.GradientDescentOptimizer()使用随机梯度下降算法,使参数沿着
梯度的反方向,即总损失减小的方向移动,实现更新参数。
②tf.train.MomentumOptimizer()在更新参数时,利用了超参数。
③tf.train.AdamOptimizer()是利用自适应学习率的优化算法,Adam 算法和随
机梯度下降算法不同。随机梯度下降算法保持单一的学习率更新所有的参数,学
习率在训练过程中并不会改变。而 Adam 算法通过计算梯度的一阶矩估计和二
阶矩估计而为不同的参数设计独立的自适应性学习率
 
 
 
 
 
 
 
 
 

以上是关于TensorFlow基础入门--基础总结(TensorFlow框架基础)的主要内容,如果未能解决你的问题,请参考以下文章

[TensorFlow系列-15]:TensorFlow基础 - 张量的操作 - 拆分与分割

[TensorFlow系列-14]:TensorFlow基础 - 张量的操作 - 拼接与堆叠

tf.estimator快速入门[5]

零基础使用Tensorflow实现神经网络

芝麻HTTP:TensorFlow基础入门

TensorFlow基础入门