TensorFlow初学梗概

最新推荐文章于 2024-09-10 13:47:50 发布

Aurora_Crow

最新推荐文章于 2024-09-10 13:47:50 发布

阅读量268

点赞数

文章标签：人工智能神经网络 tensorflow 机器学习

本文链接：https://blog.csdn.net/Aurora_Crow/article/details/118879307

版权

TensorFlow初学梗概

该文章作为TensorFlow初学者笔记记录，属个人经验总结，仅供参考。

一、前言

有在学习人工智能相关，在做深度强化学习方向的应用。因无相关基础，又GitHub上许多项目多以TensorFlow为纲，故习之。参考书目：《TensorFlow实战Google深度学习框架》（第二版）。

二、TensorFlow简介

TensorFlow是当前人工智能主流开发工具之一，是谷歌于2015年11月9日正式开源的计算框架，是基于由 Jeff Dean 领头的谷歌大脑团队基于谷歌内部第一代深度学习系统 DistBelief 改进来的通用计算框架，在GitHub和工业界有较高的应用程度和实用度。

三、TensorFlow入门

计算图是TensorFlow中最基本的一个概念，是TensorFlow的计算模型，TensorFlow中所有的计算都被转化为计算图上的节点，而节点之间的边描述了计算之间的依赖关系。

张量(tensor)是TensorFlow基础的数据模型。TensorFlow的名字已经说明了它最重要的两个概念——Tensor和Flow。Tensor就是张量，我们可以理解成多维数组，零阶张量表示标量(scalar)，也就是一个数；第一阶张量为一个向量(vector)，也就是一个一维数组；第n阶张量可以理解为一个n维数组。Flow翻译成中文就是“流”，它直观地表达了张量之间通过计算相互转化的过程。TensorFlow中对张量的实现并不是直接采用数组的形式，它只是对TensorFlow中运算结果的引用。

import tensorflow as tf
# TensorFlow使用时非常常用的技巧，即用tf代指tensorflow。
a = tf.constant([1.0, 2.0], name="a")
b = tf.constant([2.0, 3.0], name="b")
result = tf.add(a, b, name="add")
print result
'''
输出：
Tensor("add:0", shape=(2,), dtype=float32)
'''

从以上代码可以看出，TensorFlow计算的结果不是一个具体的数字，而是一个张量的结构，其保存了三个属性：名字(name)、维度(shape)和类型(type)。add:0说明了张量result是计算节点“aad”输出的第一个结果(编号从0开始)，shape=(2,)说明了张量result这个张量是一个一维数组，长度为2，dtype=float32指明了其数值的数据类型。

计算图.jpg

如上图，add节点为计算图的的一个节点，其依赖读取两个常量的取值，result作为对add计算结果的引用，这就是TensorFlow基本的计算模型。

TensorFlow在对张量和计算的定义时要注意数据类型与数据维度的指定，相同数据类型和有合适维度的数据才可以相互计算。TensorFlow支持14中不同的类型，主要包括了实数(tf.float32、tf.float64)、整数(tf.int8、tf.int16、tf.int32、tf.int64、tf.uint8)、布尔型(tf.bool)和复数(tf.complex64、tf.complex128)。

会话(session)是TensorFlow的运行模型。TensorFlow中的计算被定义后需要使用session来执行。

# 创建一个会话。
sess = tf.Session()
# 使用这个创建好的会话来计算关心的结果。比如可以调用sess.run(result)，
# 来得到执行定义的result的取值。
sess.run(...)
# 关闭对话框使得本次运行中使用到的资源可以被释放。
sess.close()

四、TensorFlow实现神经网络

基于反向传播算法的神经网络流程图如下：

后向传播流程图.png

步骤如下：

定义神经网的络结构和前向传播的输出结果；
定义损失函数以及选择反向传播优化的算法；
生成会话(tf.Session)并且在训练数据上反复运行反向传播优化算法。
实现样例：

import tensorflow as tf
from numpy.random import RandomState

# 定义训练数据batch的大小
batch_size = 8

# 定义两层网络结构
w1 = tf.Variable(tf.random_normal((2, 3), stddev=1, seed=1))
w2 = tf.Variable(tf.random_normal((3, 1), stddev=1, seed=1))

# placeholder函数预留输入空间
x = tf.placeholder(tf.float32, shape=(None, 2), name="x-input")
y_ = tf.placeholder(tf.float32, shape=(None, 1), name="y-input")

# 定义网络之间的连接方式
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)

# 定义损失函数与反向传播算法
y = tf.sigmoid(y)
cross_entropy = -tf.reduce_mean(
    y_ * tf.log(tf.clip_by_value(y, 1e-10, 1.0))
    + (1-y_) * tf.log(tf.clip_by_value(1-y, 1e-10, 1.0))
)
tran_step = tf.train.AdadeltaOptimizer(0.01).minimize(cross_entropy)

# 通过随机数生成一个模拟数据集
rdm = RandomState(1)
dataset_size = 128
X = rdm.rand(dataset_size, 2)
# 定义模拟标签规则
Y = [[int(x1 + x2 < 1)] for (x1, x2) in X]

# 创建一个会话来运行TensorFlow程序
sess = tf.Session()

init_op = tf.global_variables_initializer()
sess.run(init_op)
# 打印训练之前的参数
print(sess.run(w1))
print(sess.run(w2))

# 定义轮数和数据选取方并进行训练
STEPS = 50000
for i in range(STEPS):
    start = (i * batch_size) % dataset_size
    end = min(start + batch_size, dataset_size)

    sess.run(tran_step, feed_dict={x: X[start:end], y_: Y[start:end]})
    # 每10000轮打印一次神经网络在总的数据集上的损失函数
    if i % 10000 == 0:
        total_cross_entropy = sess.run(
            cross_entropy, feed_dict={x: X, y_: Y}
        )
        print(i)
        print(total_cross_entropy)

# 打印训练之后的参数
print(sess.run(w1))
print(sess.run(w2))

sess.close()

深度神经网络分析：

常用的激活函数有：tf.nn.relu、tf.sigmoid、tf.tanh;
交叉熵实现：cross_entropy = -tf.reduce_mean( y_ * tf.log(tf.clip_by_value(y, 1e-10, 1.0)));
MSE:tf.reduce_mean(tf.square(y_ - y));
常用优化算法：tf.train.GradientDescentOptimizer(learning_rate).minmize(loss_fuction)、tf.train.AdamOptimizer、tf.train.MomentumOptimizer;
学习率衰减方法：tf.train.exponential_decay;
正则化公式：tf.contrib.layers.l1_regularizer(lambda)(w)、tf.contrib.layers.l2_regularizer(lambda)(w)；
滑动平均模型实现方法：tf.trian.ExponentialMovingAverage(decay, num_updates)；