TensorFlow 的运行方式分如下 4 步:
(1)加载数据及定义超参数;
(2)构建网络;
(3)训练模型;
(4)评估模型和进行预测
下面我们以一个神经网络为例,讲解 TensorFlow 的运行方式。在这个例子中,我们构造一个满足一元二次函数 y = ax2+b 的原始数据,然后构建一个最简单的神经网络,仅包含一个输入层、一个隐藏层和一个输出层。通过 TensorFlow 将隐藏层和输出层的 weights 和 biases 的值学习出来,看看随着训练次数的增加,损失值是不是不断在减小。
(1) 生成或加载数据
首先来生成输入数据。我们假设最后要学习的方程为 y = x2 - 0.5,我们来构造满足这个方程的一堆 x 和 y,同时加入一些不满足方程的噪声点。
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
# 构造满足一元二次方程的函数
x_data = np.linspace(-1, 1, 1000)[:, np.newaxis] # 为了使点更密一些,我们构建了 300 个点,分布在-1 到 1 区间,直接采用 np 生成等差数列的方法,并将结果为 300 个点的一维数组,转换为 300×1 的二维数组
noise = np.random.normal(0, 0.05, x_data.shape) # 加入一些噪声点,使它与 x_data 的维度相同
y_data = np.square(x_data) - 0.5 + noise # y = x^2 – 0.5 + 噪声
# 看一下分布如何
plt.plot(x_data, y_data, 'ro')
plt.show()
xs = tf.placeholder(tf.float32, [None, 1])
ys = tf.placeholder(tf.float32, [None, 1])
(2) 构建网络模型
这里我们需要构建一个隐藏层和一个输出层。作为神经网络中的层,输入参数应该有 4 个变量:输入数据、输入数据的维度、输出数据的维度和激活函数。每一层经过向量化( y =weights×x + biases)的处理,并且经过激活函数的非线性化处理后,最终得到输出数据。
def add_layer(inputs, in_size, out_size, activation_function=None):
# 构建权重:in_size×out_size 大小的矩阵
weights = tf.Variable(tf.random_normal([in_size, out_size]))
# 构建偏置:1×out_size 的矩阵
biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
# 矩阵相乘
Wx_plus_b = tf.matmul(inputs, weights) + biases
if activation_function is None:
outputs = Wx_plus_b
else:
outputs = activation_function(Wx_plus_b)
return outputs # 得到输出数据
# 构建隐藏层,假设隐藏层有 10 个神经元
h1 = add_layer(xs, 1, 20, activation_function=tf.nn.relu)
# 构建输出层,假设输出层和输入层一样,有 1 个神经元
prediction = add_layer(h1, 20, 1, activation_function=None)
接下来需要构建损失函数:计算输出层的预测值和真实值间的误差,对二者差的平方求和再取平均,得到损失函数。运用梯度下降法,以 0.1 的效率最小化损失:
# 计算预测值和真实值间的误差
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
(3) 训练模型
我们让 TensorFlow 训练 1000 次,每 50 次输出训练的损失值:
init = tf.global_variables_initializer() # 初始化所有变量
sess = tf.Session()
sess.run(init)
for i in range(1000): # 训练 1000 次
sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
if i % 50 == 0: # 每 50 次打印出一次损失值
print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))
输出结果如下
0.26502466
0.009025399
0.0056669186
0.005002647
0.004724022
0.0045418483
0.0044258577
0.004342827
0.004286802
0.0042481637
0.0042098267
0.0041770763
0.0041497783
0.0041218232
0.0040973667
0.0040732753
0.0040495875
0.0040247925
0.003999825
0.003979218
以上就是最简单的利用 TensorFlow 的神经网络训练一个模型的过程,目标就是要训练出权重值来使模型拟合 y = x2- 0.5 的系数 1 和-0.5,通过损失值越来越小,可以看出训练参数越来越逼近目标结果。按照标准的步骤,接下来应该评估模型,就是把学习出来的系数 weights、 biase 进行前向传播后和真值 y = x2- 0.5 的结果系数进行比较,根据相近程度计算准确率。这里省略了评估过程。
PS: 全部摘自李嘉璇的<<TensorFlow 技术解析与实战>>第八章