搭建神经网络,总结搭建八股
一、基本概念
基于 Tensorflow 的 NN:用张量表示数据,用计算图搭建神经网络,用会话执 行计算图,优化线上的权重(参数),得到模型。
张量:张量就是多维数组(列表),用“阶”表示张量的维度。
数据类型:Tensorflow 的数据类型有 tf.float32、tf.int32 等。
计算图(Graph):搭建神经网络的计算过程,是承载一个或多个计算节点的一 张图,只搭建网络,不运算。
举例 神经网络的基本模型是神经元,神经元的基本模型其 实就是数学中的乘、加运算。我们搭建如下的计算图:
x1、x2 表示输入,w1、w2 分别是 x1 到 y 和 x2 到 y 的权重,y=x1*w1+x2*w2。 我们实现上述计算图:
可以打印出这样一句话:Tensor(“matmul:0”, shape(1,1), dtype=float32), 从这里我们可以看出,print 的结果显示 y 是一个张量,只搭建承载计算过程的 计算图,并没有运算,如果我们想得到运算结果就要用到“会话 Session()”了。
会话(Session):执行计算图中的节点运算。
with tf.Session() as sess:
print sess.run(y)
二、神经网络的参数
神经网络的参数:是指神经元线上的权重 w,用变量表示,一般会先随机生成 这些参数。
生成参数的方法是让w等于tf.Variable,把生成的方式写在括号里。 神经网络中常用的生成随机数/数组的函数有:
tf.random_normal() 生成正态分布随机数
tf.truncated_normal() 生成去掉过大偏离点的正态分布随机数
tf.random_uniform() 生成均匀分布随机数
tf.zeros 表示生成全 0 数组
tf.ones 表示生成全 1 数组
tf.fill 表示生成全定值数组
tf.constant 表示生成直接给定值的数组
三、神经网络的搭建
当我们知道张量、计算图、会话和参数后,我们可以讨论神经网络的实现过程了。
神经网络的实现过程:
1、准备数据集,提取特征,作为输入喂给神经网络(Neural Network,NN)
2、搭建 NN 结构,从输入到输出(先搭建计算图,再用会话执行) ( NN 前向传播算法 计算输出)
前向传播就是搭建模型的计算过程,让模型具有推理能力,可以针对一组输入 给出相应的输出
举例 假如生产一批零件,体积为 x1,重量为 x2,体积和重量就是我们选择的特征, 把它们喂入神经网络,当体积和重量这组数据走过神经网络后会得到一个输出。
假如输入的特征值是:体积 0.7 重量 0.5
由搭建的神经网络可得,隐藏层节点 a11=x1* w11+x2*w21=0.14+0.15=0.29,同 理算得节点 a12=0.32,a13=0.38,最终计算得到输出层 Y=-0.015,这便实现了 前向传播过程。
3、大量特征数据喂给 NN,迭代优化 NN 参数 ( NN 反向传播算法 优化参数训练模型)
反向传播:训练模型参数,在所有参数上用梯度下降,使 NN 模型在训练数据 上的损失函数最小。
损失函数(loss):计算得到的预测值 y 与已知答案 y_的差距。 损失函数的计算有很多方法,均方误差 MSE 是比较常用的方法之一。
均方误差 MSE:求前向传播计算结果与已知答案之差的平方再求平均。
用 tensorflow 函数表示为:
loss_mse = tf.reduce_mean(tf.square(y_ - y))
√反向传播训练方法:以减小 loss 值为优化目标,有梯度下降、momentum 优化 器、adam 优化器等优化方法。
这三种优化方法用 tensorflow 的函数可以表示为:
train_step=tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)
train_step=tf.train.MomentumOptimizer(learning_rate, momentum).minimize(loss)
train_step=tf.train.AdamOptimizer(learning_rate).minimize(loss)
学习率:决定每次参数更新的幅度。
优化器中都需要一个叫做学习率的参数,使用时,如果学习率选择过大会出现震 荡不收敛的情况,如果学习率选择过小,会出现收敛速度慢的情况。我们可以选 个比较小的值填入,比如 0.01、0.001。
4、使用训练好的模型预测和分类
四、搭建神经网络的八股