深度学习之TensorFlow 第三章基本开发步骤--以逻辑回归拟合二维数据为例

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。

 

  • 4
    点赞
  • 12
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值