目录
前言:
一套计算机视觉为切入点的Tensorflow教程,如果感兴趣,欢迎留言讨论。
摘要:
通过搭建一个拟合一元方程 y = kx + b 的案例,我们来大致梳理一下一个完整的Tensorflow工程的几个关键要素。
正文:
1.原始数据及标注
原始数据及标注是工程的标的,是我们将自己想要的功能描述给tensorflow的一种形式,通过对原始数据和标注信息的不断调整,达到将模型参数拟合到足够好,可以很好地表征了数据关系的时候,我们便认为这个模型是个合适的数据模型。
该工程中,我们定义了一个y = 0.1x + 0.3的函数方程,并准备了100个归一化的浮点数作为原始数据,对模型参数进行训练拟合,代码为:
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*0.1+0.3
2.待训练的参数及模型
待训练的参数及模型是我们定义的一个数据模型,通过对这个模型的参数进行调优,达到该模型可以表征了原始数据及标注信息关系的目的,在实际运用中,需要根据具体问题,选择或者设计合适的参数模型,该工程中设计的模型和定义的保持的一致,作为示范,代码为:
#构建张量参数
Weights = tf.Variable(tf.random_uniform([1],-1.0,1.0))
biases = tf.Variable(tf.zeros([1]))
#构建tensorflow待训练模型
train_y = Weights * x_data + biases
3.损失函数及优化器
损失函数和优化器是模型参数调优的核心,通过定义一个合适的损失函数,给训练过程提供了一个方向标的,通过梯度下降等优化器,在不断训练的过程中,模型参数和理论值越来越逼近。
该工程中损失函数及优化器为:
#定义损失函数
loss = tf.reduce_mean(tf.square(train_y - y_data))
#定义梯度下降优化器
train = tf.train.GradientDescentOptimizer(0.2).minimize(loss)
定义的损失函数为计算数据的和理论值差距的平均平方和,通过损失函数,建立起了一个现有模型参数和理论模型参数的评价标准,可以通过优化器将参数调整到与理论模型参数越来越接近。优化器的传入参数是学习率,相关理论知识后续会慢慢补充进来。
4.训练过程
Tensorflow的机制里,变量创建不会执行,如果想让定义的所有变量和函数生效并且开始执行,需要创造一个会议环境,在该环境里设计一个合适的训练过程,通过计算损失值或者定义训练次数,来对整个训练过程进行把控。
由于Tensorflow的非运行不执行机制,我们在查看TF变量的中间过程时,需要自己利用会议对象进行执行查看。
完整工程,跑起来吧!
'''
如需转载,请保留该信息
by hzy
in 西安
'''
import tensorflow as tf
import numpy as np
#定义数据集和标注信息
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*0.1+0.3
#定义tensorflow张量对象
Weights = tf.Variable(tf.random_uniform([1],-1.0,1.0))
biases = tf.Variable(tf.zeros([1]))
#构建tensorflow待训练模型
train_y = Weights * x_data + biases
#定义损失函数
loss = tf.reduce_mean(tf.square(train_y - y_data))
#定义梯度下降优化器
train = tf.train.GradientDescentOptimizer(0.2).minimize(loss)
#定义变量初始化过程
init = tf.initialize_all_variables()
#启用会议,开始训练模型
with tf.Session() as sess:
sess.run(init)
for step in range(0,201):
sess.run(train)
#输出模型训练过程中tensorflow模型参数的变化过程
curWeight = sess.run(Weights[0])
curBiases = sess.run(biases[0])
print("Current trained " + str(step) + " Weight:" + str(curWeight) + " Biases:" + str(curBiases))