深度学习有四个步骤：
准备数据 搭建模型 迭代训练 使用模型
import tensorflow as tf
import numpy as np #数组
import matplotlib.pyplot as plt # matplotlib.pyplot 2D绘图库 类似MATLAB的一种绘图框架
plotdata = { "batchsize":[], "loss":[] } #存放批次值和损失值
def moving_average(a, w=10):
if len(a) < w:
return a[:]
return [val if idx < w else sum(a[(idx-w):idx])/w for idx, val in enumerate(a)]
#生成模拟数据
train_X = np.linspace(-1, 1, 100) #train_X = np.linspace(-1, 1, 100) #生成-1~1之间的100个数作为x。
train_Y = 2 * train_X + np.random.randn(*train_X.shape) * 0.3 #（a属于[-1,1]之间的随机数）
train_Y = 2 * train_X + np.random.randn(*train_X.shape) * 0.3 # y=2x，但是加入了噪声
#显示模拟数据点
plt.plot(train_X, train_Y, 'ro', label='Original data') #‘ro’代表红色实心圈标记
plt.legend() #显示图例label='Original data'
plt.show()
# 创建模型
# 占位符
X = tf.placeholder("float")
Y = tf.placeholder("float") #X代表输入,Y代表对应的真实值，都是占位符（占住一个固定的位置等着再往里面添加内容的符号）
# 模型参数
W = tf.Variable(tf.random_normal([1]), name="weight")
b = tf.Variable(tf.zeros([1]), name="bias") #W和b是参数，W被初始化为[-1,1]的随机数，形状为一维的数字，b的初始化为0，形状也是一维。
# 前向结构
z = tf.multiply(X, W)+ b
#反向优化
cost =tf.reduce_mean( tf.square(Y - z))
learning_rate = 0.01 #学习率代表调整参数的速度。这个值一般小于1。值越大，代表调整的速度越大，但不精确。
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost) #GradientDescentOptimizer是封装好的梯度下降算法。
# 初始化变量
init = tf.global_variables_initializer()
# 训练参数
training_epochs = 20 #迭代次数
display_step = 2
# 启动session
with tf.Session() as sess:
sess.run(init)
# Fit all training data
for epoch in range(training_epochs):
for (x, y) in zip(train_X, train_Y):
sess.run(optimizer, feed_dict={X: x, Y: y}) #外层放循环次数
通过sess.run来进行网络节点的运算，通过feed机制将真实数据灌到占位符对应的位置（feed_dict={X: train_X, Y:train_Y})同时没执行一次都会将网络结构中的节点打印出来
#显示训练中的详细信息
if epoch % display_step == 0:
loss = sess.run(cost, feed_dict={X: train_X, Y:train_Y})
print ("Epoch:", epoch+1, "cost=", loss,"W=", sess.run(W), "b=", sess.run(b))
if not (loss == "NA" ): #是个安全检查，保证loss值有效才会将其用图示显示出来
plotdata["batchsize"].append(epoch)
plotdata["loss"].append(loss)
print (" Finished!")
print ("cost=", sess.run(cost, feed_dict={X: train_X, Y: train_Y}), "W=", sess.run(W), "b=", sess.run(b))
#print ("cost:",cost.eval({X: train_X, Y: train_Y}))
#图形显示
plt.plot(train_X, train_Y, 'ro', label='Original data')
plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Fitted line')
plt.legend()
plt.show()
plotdata["avgloss"] = moving_average(plotdata["loss"])
plt.figure(1) #plt.figure(1)是新建一个名叫 Figure1的画图窗口
plt.subplot(211) #第一个画板的第一个子图
plt.plot(plotdata["batchsize"], plotdata["avgloss"], 'b--') #plt.plot(x,c)是在画图窗口里具体绘制横轴为x 纵轴为c的曲线 ‘b--’为蓝色破折线
plt.xlabel('Minibatch number')
plt.ylabel('Loss')
plt.title('Minibatch run vs. Training loss')
plt.show()
print ("x=0.2，z=", sess.run(z, feed_dict={X: 0.2}))
学习速率对于梯度下降算法，这应该是一个最重要的超参数。如图所示，如果学习速率设置得非常大，那么训练可能不会收敛，就直接发散了；如果设置的比较小，虽然可以收敛，但是训练时间可能无法接受；如果设置的稍微高一些，训练速度会很快，但是当接近最优点会发生震荡，甚至无法稳定。不同学习速率的选择影响可能非常大。 理想的学习速率是：刚开始设置较大，有很快的收敛速度，然后慢慢衰减，保证稳定到达最优点。
下面记录一下各种函数的作用，有助于学习记忆python库和函数：
1.首先是linspace函数：numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
返回（start，stop）间的num个数，endpoint为真sample必然有终点，为否必然没有终点，retstep表示一定步长，最后返回（sample，step）
2.np.random.randn : numpy.random.rand(d0, d1, ..., dn)
随机产生维度为（d0,d1...，dn）的随机数，从标准正态分布中产生。
但random.rand（d0,d1...，dn）产生数值取值范围是[0,1)
3.tf.placeholder : tf.placeholder(dtype,shape = None , name = None)
占位数，可以理解为变量，在需要的时候才去赋值
dtype 表示数据类型，例如tf.float32,tf.float64，shape表示数组形状,shape = None 表示一维数，还可以shape =[3,4]，shape = [None,4]表示行未定。返回Tensor类型。
4.tf.Variable.int()
tf.Variable.init(initial_value, trainable=True, collections=None, validate_shape=True, name=None)
参数表引用相关资料：
| initial_value | 所有可以转换为Tensor的类型 | 变量的初始值 |
| trainable | bool | 如果为True，会把它加入到GraphKeys.TRAINABLE_VARIABLES，才能对它使用Optimizer |
| collections | list | 指定该图变量的类型、默认为[GraphKeys.GLOBAL_VARIABLES] |
| validate_shape | bool | 如果为False，则不进行类型和维度检查 |
| name | string | 变量的名称，如果没有指定则系统会自动分配一个唯一的值 |
5.tf.random_normal() : tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
代码中仅用到shape=[1],表示一维数
6.tf.reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None) 求平均值
input_tensor:待求值的tensor。
reduction_indices:在哪一维上求解。
7.tf.train.GrandientDescentOptimizer(learning_rate)
产生一个规定学习率的优化器：optmizier = tf.train.GrandientDescentOptimizer(learning_rate = 0.01)
计算梯度并且直接作用于变量上：optimizer.minimize(cost , var_list = <list of variables>)
optimizer.run()
计算出梯度：gradients = optimizer.compute_gradients(loss , <list of variables>)
然后就可以根据自己的需要处理梯度了。
8.tf.global_variables_initializer()初始化所有Tensor变量的状态
init = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
9.def moving_average(a, w=10):
if len(a) < w:
return a[:]
return [val if idx < w else sum(a[(idx-w):idx])/w for idx, val in enumerate(a)]
滑动平均模型 用途：用于控制变量的更新幅度，使得模型在训练初期参数更新较快，在接近最优值处参数更新较慢，幅度较小
方式：主要通过不断更新衰减率来控制变量的更新幅度.
在训练神经网络时，不断保持和更新每个参数的滑动平均值，在验证和测试时，参数的值使用其滑动平均值能有效提高神经网络的准确率。
第一个返回值是如果a向量的长度小于w的值，就输出向量a中的所有值。
第二个返回值是如果向量a的长度大于w值，将索引小于长度w的值直接输出，将索引大于w值的按照sum(a[(idx-w):idx])/w的方式进行计算输出。
在python中enumerate的用法多用于在for循环中得到计数，
enumerate参数为可遍历的变量，如 字符串，列表等； 返回值为enumerate类。
举个例子a=[a,b,c,d]
For idx,val in enumerate(a) #idx为向量a的索引即下标
[0 a] [1 b] [2 c] [3 d]
在python中enumerate的用法多用于在for循环中得到计数，
enumerate参数为可遍历的变量，如 字符串，列表等； 返回值为enumerate类。
tensorflow开发的基本步骤
1.定义输入节点的方法 2.定义学习参数的变量 3.定义运算 4.优化函数，优化目标 5.初始化所有变量 6.迭代更新参数到最优解 7.测试模型8. 使用模型
模型内部的数据流向
1 正向 ：数据从输入开始，依次进行各节点定义的运算，一直运算到输出，是模型最基本的数据流向。它直观地表现了网络模型的结构，在模型的训练、测试、使用场景中都会用到。这部分是必须要掌握的。
2 反向 ：只有在训练场景下会用到。这里使用了一个叫做反向链式求导的方法，即先从正向的最后一个节点开始，计算此时结果值与真实值的误差，这样会形成一个用学习参数表示误差的方程，然后对方程中的每个参数求导，得到其梯度修正值，同时反推出上一层的误差，这样就将该层节点的误差按照正向的相反方向传到上一层，并接着计算上一层的修正值，如此反复下去一步一步地进行转播，直到传到正向的第一个节点。 这部分原理TensorFlow已经实现好了，简单理解即可，应该把重点放在使用什么方法来计算误差，使用哪些梯度下降的优化方法，如何调节梯度下降中的参数（如学习率）问题上。
一个标准的模型结构分为输入、中间节点、输出三大部分，而如何让这三部分连通起来学习规则并可进行计算，则是框架TensorFlow所做的事情。
TensorFlow将中间节点及节点间的运算关系（OPS）定义在自己内部的一个“图”上，全通过一个“会话（session）”进行图中OPS的具体运算。
可以这样理解： “图”是静态的，无论做任何加、减、乘、除，它们只是将关系搭建在一起，不会有任何计算。 “会话”是动态的，只有启动会话后才会将数据流向图中，并按照图中的关系运算。并将最终的结果从图中流出。
TensorFlow用这种方式分离了计算的定义和执行，“图”类似施工图（blueprint），而会话更像施工地点。
构建一个完整的图一般需要定义3种变量。 输入节点：即网络的入口。 用于训练的模型参数（也叫学习参数）：是连接各个节点的路径。 模型中的节点（OP）：最复杂的就是OP。OP可以用来代表模型中的中间节点，也可以代表最终的输出节点，是网络中的真正结构。
扫一扫
546
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
