吴恩达Deep Learning编程作业 Course2- 改善深层神经网络-第三周作业:TensorFlow练习
到现在我们一直使用numpy来构建神经网络,接下来我们将使用深度学习框架来构建神经网络。常见的机器学习框架是TensorFlow、Paddle、Torch、Caffe、Keras等,本次作业中我们将练习使用TensorFlow,我们学习的主要内容是:
- 初始化参数
- 启动session
- 训练算法
- 实现神经网络
编程框架不仅可以缩短我们的编程时间,还可以优化我们的代码。
1. TensorFlow库
使用的工具函数都附在文章最后
import math
import numpy as np
import h5py
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow.python.framework import ops
from Week2.Utils.tf_utils import load_dataset, random_mini_batches, convert_to_one_hot, predict
np.random.seed(1)
1.1 使用TensorFlow语法简单例子
使用的公式:
l
o
s
s
=
L
(
y
^
,
y
)
=
(
y
^
(
i
)
−
y
(
i
)
)
2
loss = \mathcal{L}(\hat{y}, y) = (\hat y^{(i)} - y^{(i)})^2
loss=L(y^,y)=(y^(i)−y(i))2
代码:
if __name__ == "__main__":
#计算损失
y_hat = tf.constant(36, name='y_hat')
y = tf.constant(39, name='y')
loss = tf.Variable((y - y_hat)**2, name='loss')
init = tf.global_variables_initializer()
with tf.Session() as session:
session.run(init)
print(session.run(loss))
运行结果:
在TensorFlow中编写和运行程序的步骤如下:
- 1.创建Tensors变量,这些变量并未被运行。
- 2.实现Tensorflow变量之间的操作。
- 3.初始化变量
- 4.创建Session对话
- 5.运行Session,上面的所有变量操作都会在session中运行。
因此,当我们创建一个损失变量时,我们简单地将损失定义为其他数量的函数,但不计算它的值。为了求值,我们必须运行init=tf.global_variables_initializer()。在最后一行中,我们可以计算loss的值并打印它的值。
简单例子:
a = tf.constant(2)
b = tf.constant(10)
c = tf.multiply(a, b)
print(c)
运行结果:
在运行结果中我们没有看到期望的运行结果20,得到的是一个没有形状属性的张量,类型为“int32”,想要得到结果我们需要创建session回话。
代码:
sess = tf.Session()
print(sess.run(c))
运行结果:
**总结:**要记住初始化变量,创建会话并在会话内运行操作。
接下来我们学习占位符,占位符是一个对象,我们只能在以后指定它的值。要为占位符指定值,可以使用feed_dict变量传入值。下面,我们为x创建了一个占位符,这允许我们在后面运行会话时传入一个数字。
sess = tf.Session()
x = tf.placeholder(tf.int64, name='x')
print(sess.run(2 * x, feed_dict={x : 3}))
sess.close()
结果:
当我们第一次定义x时,不必为它指定一个值。占位符只是一个变量,我们可以在稍后运行会话时将数据分配给该变量。
1.2 线性函数
让我们通过计算下面的方程来开始这个编程练习:
Y
=
W
X
+
b
Y = WX + b
Y=WX+b,其中
W
W
W和
X
X
X是随机矩阵,而b是随机向量。
计算
W
X
+
b
WX + b
WX+b,其中
W
,
X
W, X
W,X,和
b
b
b来自随机正态分布。W的形状是(4,3),X是(3,1),b是(4,1)。举个例子,定义一个有形状(3,1)的常数X的代码:
X = tf.constant(np.random.randn(3,1), name = “X”)
我们还会使用以下语法:
- tf.matmul(,)进行矩阵乘法
- tf.add(,)进行矩阵加法
- np.random.randn()用于随机初始化
def linear_function():
X = np.random.randn(3, 1)
W = np.random.randn(4, 3)
b = np.random.randn(4, 1)
Y = tf.add(tf.matmul(W, X), b)
sess = tf.Session()
result = sess.run(Y)
sess.close()
return result
调用:
print("result = " + str(linear_function()))
运行结果:
1.3 计算sigmoid
现在我们来练习如何用tf实现sigmoid函数。
注意,在tensorflow中有两种创建和使用会话的典型方法:
方法一:
sess = tf.Session()
result = sess.run(..., feed_dict={...})
sess.close()
方法二:
with tf.Session() as sess:
result = sess.run(..., feed_dict={...})
sigmoid实现代码:
def sigmoid(z):
x = tf.placeholder(tf.float32, name="x")
sigmoid = tf.sigmoid(x)
with tf.Session() as sess:
result = sess.run(sigmoid, feed_dict={x:z})
return result
调用:
print("sigmoid(0) = " + str(sigmoid(0)))
print("sigmoid(12) = " + str(sigmoid(12)))
运行结果:
1.4 计算代价
这一小节我们将学习利用TF计算神经网络的成本。
例如,对于
a
[
2
]
(
i
)
a^{[2](i)}
a[2](i)和
y
(
i
)
y^{(i)}
y(i)对于i=1… m:
J
=
−
1
m
∑
i
=
1
m
(
y
(
i
)
log
a
[
2
]
(
i
)
+
(
1
−
y
(
i
)
)
log
(
1
−
a
[
2
]
(
i
)
)
)
J = - \frac{1}{m} \sum_{i = 1}^m \large ( \small y^{(i)} \log a^{ [2] (i)} + (1-y^{(i)})\log (1-a^{ [2] (i)} )\large )\small
J=−m1i=1∑m(y(i)loga[2](i)+(1−y(i))log(1−a[2](i)))
我们将使用的主要代码:
tf.nn.sigmoid_cross_entropy_with_logits(logits = ..., labels = ...)
假设我们已经有了z的值,使用sigmoid函数计算得到a,然后再计算交叉熵J,这些步骤我们都可以使用tf.nn.sigmoid_cross_entropy_with_logits
实现,可以计算:
−
1
m
∑
i
=
1
m
(
y
(
i
)
log
σ
(
z
[
2
]
(
i
)
)
+
(
1
−
y
(
i
)
)
log
(
1
−
σ
(
z
[
2
]
(
i
)
)
)
- \frac{1}{m} \sum_{i = 1}^m \large ( \small y^{(i)} \log \sigma(z^{[2](i)}) + (1-y^{(i)})\log (1-\sigma(z^{[2](i)})\large )\small
−m1i=1∑m(y(i)logσ(z[2](i))+(1−y(i))log(1−σ(z[2](i)))
代码:
def cost(logits, labels):
z = tf.placeholder(tf.float32, name = "z")
y = tf.placeholder(tf.float32, name = "y")
cost = tf.nn.sigmoid_cross_entropy_with_logits(logits=z, labels=y)
sess = tf.Session()
cost = sess.run(cost, feed_dict={z:logits, y:labels})
sess.close()
return cost
调用:
logits = sigmoid(np.array(0.2, 0.4, 0.7, 0.9))
cost = cost(logits, np.array([0, 0, 1, 1]))
print("cost = " + str(cost))
运行结果:
1.5 使用One Hot编码
很多时候,在深度学习中,你会得到一个y向量,它的数字从0到C-1,其中C是类的数量。如果C中有4个类型,那么我们会有如下的y向量,我们将y需要转换如下:
“one hot”编码的含义:在转换后的表示中每一列只有一个元素是“hot”(意思是设置为1)。在tensorflow中,你可以使用一行代码:tf.one_hot(labels, depth, axis)
代码:
def one_hot_matrix(labels, C):
"""
:param labels:标签向量
:param C:分类数
:return:One hot矩阵
"""
C = tf.constant(C, name='C')
one_hot_matrix = tf.one_hot(indices=labels, depth=C, axis=0)
sess = tf.Session()
one_hot = sess.run(one_hot_matrix)
sess.close()
return one_hot
调用:
labels = np.array([1, 2, 3, 0, 2, 1])
one_hot = one_hot_matrix(labels, C=4)
print("one_hot = " + str(one_hot))
运行结果:
1.6 用0与1初始化
现在,您将学习如何初始化一个由0和1组成的向量。您将调用的函数是tf.ones()。要使用0进行初始化,可以使用tf.zeros()。这些函数接收维数并分别返回一个满是0和1的维度形状数组。
练习:实现下面的函数根据提供的维数返回一个数值都是1的数组。
def ones(shape):
ones = tf.ones(shape)
sess = tf.Session()
ones = sess.run(ones)
sess.close()
return ones
调用:
print("ones = " + str(ones([3])))
运行结果:
2. 使用TensorFlow构建神经网络
在这部分作业中,我们将使用tensorflow建立一个神经网络。实现一个tensorflow模型主要分两部分:
- 创建计算图
- 运行图
2.1 问题陈述:SIGNS数据集
我们要完成的工作是利用吴恩达老师提供的数据集建立一种算法,帮助语言障碍人士和不懂手语的人进行交流。
- 训练集:1080张图片(64*64),每张图片中包含一个手势,表示数字(0~5),每个数字有180张照片表示。
- 训练集:120张图片(64*64),每张图片包含表示数字(0~5)的手势,每个数字有20张图片表示。
下面是每个数字的例子。
加载数据集(使用的工具函数都附在文章最后)。
代码:
X_train_orig, Y_train_orig, X_test_orig, Y_test_orig, classes = load_dataset()
index = 0
plt.imshow(X_train_orig[index])
print("y = " + str(Y_train_orig[0, index]))
运行结果:
和往常一样,我们先将图像数据集平展,然后通过除以255对其进行归一化。最重要的是,我们需要将把每个标签转换为一个热向量。
代码:
X_train_flatten = X_train_orig.reshape(X_train_orig.shape[0], -1).T
X_test_flatten = X_test_orig.reshape(X_test_orig.shape[0], -1).T
# 标准化图像向量
X_train = X_train_flatten / 255.
X_test = X_test_flatten / 255.
# 将训练和测试标签转换为一个热矩阵
Y_train = convert_to_one_hot(Y_train_orig, 6)
Y_test = convert_to_one_hot(Y_test_orig, 6)
print("number of training examples = " + str(X_train.shape[1]))
print("number of test examples = " + str(X_test.shape[1]))
print("X_train shape: " + str(X_train.shape))
print("Y_train shape: " + str(Y_train.shape))
print("X_test shape: " + str(X_test.shape))
print("Y_test shape: " + str(Y_test.shape))
运行结果:
注意12288来自64×64×3。每个图像是正方形的,64×64像素,3是RGB颜色。
我们的目标是建立一个有较高准确性的能够识别手势符号的算法。我们将使用TensorFlow构建模型,这个模型和我们使用numpy构建的识别猫的模型相同,不同的是这个模型我们将使用softmax输出结果,我们也可以借助此次的模型观察以下numpy与TensorFlow的异同。
模型架构:LINEAR -> RELU -> LINEAR -> RELU -> LINEAR -> SOFTMAX
2.2 创建占位符
我们将使用这个函数创建X和Y的占位符。
def create_placeholders(n_x, n_y):
"""
:param n_x:图像向量的大小
:param n_y: 类别种类
:return:X,Y
注意:因为测试集/训练集数据集数目不同,所以我们会使用none来表示个数
"""
X = tf.placeholder(tf.float32,shape=[n_x, None], name="X")
Y = tf.placeholder(tf.float32, shape=[n_y, None], name="Y")
return X, Y
调用:
X, Y = create_placeholders(12288, 6)
print("X = " + str(X))
print("Y = " + str(Y))
运行结果:
2.3 初始化参数
实现下面的函数来初始化tensorflow中的参数。我们将使用Xavier初始化权值和零初始化偏差。举个例子,对于W1和b1你可以使用:
W1 = tf.get_variable("W1", [25,12288], initializer = tf.contrib.layers.xavier_initializer(seed = 1))
b1 = tf.get_variable("b1", [25,1], initializer = tf.zeros_initializer())
代码:
def initialize_parameters():
"""
使用tensorflow建立神经网络模型,参数维数如下
W1 : [25, 12288]
b1 : [25, 1]
W2 : [12, 25]
b2 : [12, 1]
W3 : [6, 12]
b3 : [6, 1]
:return:
parameters--W1, b1, W2, b2, W3, b3
"""
W1 = tf.get_variable("W1", [25, 12288], initializer=tf.contrib.layers.xavier_initializer(seed=1))
b1 = tf.get_variable("b1", [25, 1], initializer=tf.zeros_initializer())
W2 = tf.get_variable("W2", [12, 25], initializer=tf.contrib.layers.xavier_initializer(seed=1))
b2 = tf.get_variable("b2", [12, 1], initializer=tf.zeros_initializer())
W3 = tf.get_variable("W3", [6, 12], initializer=tf.contrib.layers.xavier_initializer(seed=1))
b3 = tf.get_variable("b3", [6, 1], initializer=tf.zeros_initializer())
parameters = {"W1": W1,
"b1": b1,
"W2": W2,
"b2": b2,
"W3": W3,
"b3": b3}
return parameters
调用:
with tf.Session() as sess:
parameters = initialize_parameters()
print("W1 = " + str(parameters["W1"]))
print("b1 = " + str(parameters["b1"]))
print("W2 = " + str(parameters["W2"]))
print("b2 = " + str(parameters["b2"]))
运行结果:
2.4 TenforFlow实现前向传播
在这一部分中我们将使用TensorFlow实现前向传播,本次需要使用的一些函数:
tf.add(...,...)
实现矩阵相加tf.matmul(...,...)
实现矩阵相乘tf.nn.relu(...)
实现relu激活函数
需要注意的是,正向传播在z3处停止。原因是在tensorflow中,最后一个线性层的输出作为计算损耗的函数的输入。因此,我们不再需要计算a3。
代码:
def forward_propagation(X, parameters):
"""
神经网络模型:LINEAR -> RELU -> LINEAR -> RELU -> LINEAR -> SOFTMAX
:param X:输入数据集,(输入大小,样例)
:param parameters:"W1", "b1", "W2", "b2", "W3", "b3"
:return:Z3
"""
W1 = parameters['W1']
b1 = parameters['b1']
W2 = parameters['W2']
b2 = parameters['b2']
W3 = parameters['W3']
b3 = parameters['b3']
Z1 = tf.add(tf.matmul(W1, X), b1) # Z1 = np.dot(W1, X) + b1
A1 = tf.nn.relu(Z1) # A1 = relu(Z1)
Z2 = tf.add(tf.matmul(W2, A1), b2) # Z2 = np.dot(W2, a1) + b2
A2 = tf.nn.relu(Z2) # A2 = relu(Z2)
Z3 = tf.add(tf.matmul(W3, A2), b3)
return Z3
调用:
tf.reset_default_graph()
with tf.Session() as sess:
X, Y = create_placeholders(12288, 6)
parameters = initialize_parameters()
Z3 = forward_propagation(X, parameters)
print("Z3 = " + str(Z3))
运行结果:
2.5 计算代价
计算代价的主要代码:tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = ..., labels = ...))
def compute_cost(Z3, Y):
"""
:param Z3:正向传播返回的值,维数(6,样本例子)
:param Y:真实标签,和Z3维数相同
:return:cost
注意:softmax_cross_entropy_with_logits是由维数要求的(例子的数量,num_classes)所以下面需要将矩阵进行转置
"""
logits = tf.transpose(Z3)
labels = tf.transpose(Y)
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=labels))
return cost
调用:
tf.reset_default_graph()
with tf.Session() as sess:
X, Y = create_placeholders(12288, 6)
parameters = initialize_parameters()
Z3 = forward_propagation(X, parameters)
print("Z3 = " + str(Z3))
运行结果:
2.6 反向传播和参数更新
使用框架实现反向传播十分简单。
在你计算了成本函数之后。我们需要创建一个“优化器”对象,在运行tf.session时,必须调用这个对象和成本,当被调用时,它将根据所选择的方法和学习率对给定的成本进行优化。
我们需要使用的函数:
- 梯度下降方法:
optimizer = tf.train.GradientDescentOptimizer(learning_rate = learning_rate).minimize(cost)
- 优化方法:
_ , c = sess.run([optimizer, cost], feed_dict={X: minibatch_X, Y: minibatch_Y})
注意,在编码时,我们经常使用_作为“一次性”变量来存储我们以后不需要的值。这里,_接受优化器的评估值,这是我们不需要的。
2.61 建立模型
代码:
def model(X_train, Y_train, X_test, Y_test, learning_rate = 0.0001, num_epochs = 1500, minibatch_size = 32, print_cost = True):
"""
神经网络模型:LINEAR->RELU->LINEAR->RELU->LINEAR->SOFTMAX.
:param X_train:训练集,(input size = 12288, 训练样本数量 = 1080)
:param Y_train:训练集标签,(output size = 6, 训练样本数量 = 1080)
:param X_test:测试集,(input size = 12288, 测试集数量 = 120)
:param Y_test:测试集标签,(output size = 6, 测试集数量 = 120)
:param learning_rate:学习率
:param num_epochs:优化次数
:param minibatch_size:mini_batch大小
:param print_cost:是否每100次打印代价
:return:
"""
#能够在不覆盖tf变量的情况下重新运行模型
ops.reset_default_graph()
tf.set_random_seed(1)
seed = 3
n_x, m = X_train.shape
n_y = Y_train.shape[0]
costs = []
#创建占位符
X, Y = create_placeholders(n_x, n_y)
#初始化参数
parameters = initialize_parameters()
#前向传播
Z3 = forward_propagation(X, parameters)
#计算代价
cost = compute_cost(Z3, Y)
#反向传播
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)
#初始化所有变量
init = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
for epoch in range(num_epochs):
epoch_cost = 0
num_minibatches = int(m / minibatch_size)
seed = seed + 1
minibatches = random_mini_batches(X_train, Y_train, minibatch_size, seed)
for minibatch in minibatches:
minibatch_X, minibatch_Y = minibatch
_, minibatch_cost = sess.run([optimizer, cost], feed_dict={X:minibatch_X, Y:minibatch_Y})
epoch_cost += minibatch_cost / num_minibatches
if print_cost == True and epoch % 100 == 0:
print("Cost after epoch %i: %f" % (epoch, epoch_cost))
if print_cost == True and epoch % 5 == 0:
costs.append(epoch_cost)
plt.plot(np.squeeze(costs))
plt.ylabel('cost')
plt.xlabel('iterations (per tens)')
plt.title("Learning rate =" + str(learning_rate))
plt.show()
parameters = sess.run(parameters)
print("参数已经训练过!")
correct_prediction = tf.equal(tf.argmax(Z3), tf.argmax(Y))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
print("训练集准确率:", accuracy.eval({X: X_train, Y: Y_train}))
print("测试集准确率:", accuracy.eval({X: X_test, Y: Y_test}))
return parameters
调用:
parameters = model(X_train, Y_train, X_test, Y_test)
注意:这次的运行时间大约在5-8分钟左右,如果在epoch = 100的时候,你的epoch_cost与1.017255相差较大,那就证明你的模型实现有误,请停止运行检查修正。
我们的模型看起来足够大,可以很好地适应训练集。然而,考虑到训练和测试准确性之间的差异,可以尝试添加L2或dropout正则化来减少过度拟合。
将session看作训练模型的代码块。每次在minibatch上运行session时,它都会训练参数。总的来说,您已经运行了大量的session(1500个epoch),直到您获得了训练良好的参数
2.7 用自己的图片测试模型
代码:
运行结果:
我们得到的结果并不正确,因为在我们使用的训练集中没有类似大拇指这样的图片,我们称之为“不匹配的数据分布”,将在下一门课程“结构化机器学习项目”中学习它。
3. 工具代码:
1.tf_utils.py
import h5py
import numpy as np
import tensorflow as tf
import math
def load_dataset():
train_dataset = h5py.File('../datasets/train_signs.h5', "r")
train_set_x_orig = np.array(train_dataset["train_set_x"][:]) # your train set features
train_set_y_orig = np.array(train_dataset["train_set_y"][:]) # your train set labels
test_dataset = h5py.File('../datasets/test_signs.h5', "r")
test_set_x_orig = np.array(test_dataset["test_set_x"][:]) # your test set features
test_set_y_orig = np.array(test_dataset["test_set_y"][:]) # your test set labels
classes = np.array(test_dataset["list_classes"][:]) # the list of classes
train_set_y_orig = train_set_y_orig.reshape((1, train_set_y_orig.shape[0]))
test_set_y_orig = test_set_y_orig.reshape((1, test_set_y_orig.shape[0]))
return train_set_x_orig, train_set_y_orig, test_set_x_orig, test_set_y_orig, classes
def random_mini_batches(X, Y, mini_batch_size = 64, seed = 0):
"""
Creates a list of random minibatches from (X, Y)
Arguments:
X -- input data, of shape (input size, number of examples)
Y -- true "label" vector (containing 0 if cat, 1 if non-cat), of shape (1, number of examples)
mini_batch_size - size of the mini-batches, integer
seed -- this is only for the purpose of grading, so that you're "random minibatches are the same as ours.
Returns:
mini_batches -- list of synchronous (mini_batch_X, mini_batch_Y)
"""
m = X.shape[1] # number of training examples
mini_batches = []
np.random.seed(seed)
# Step 1: Shuffle (X, Y)
permutation = list(np.random.permutation(m))
shuffled_X = X[:, permutation]
shuffled_Y = Y[:, permutation].reshape((Y.shape[0],m))
# Step 2: Partition (shuffled_X, shuffled_Y). Minus the end case.
num_complete_minibatches = math.floor(m/mini_batch_size) # number of mini batches of size mini_batch_size in your partitionning
for k in range(0, num_complete_minibatches):
mini_batch_X = shuffled_X[:, k * mini_batch_size : k * mini_batch_size + mini_batch_size]
mini_batch_Y = shuffled_Y[:, k * mini_batch_size : k * mini_batch_size + mini_batch_size]
mini_batch = (mini_batch_X, mini_batch_Y)
mini_batches.append(mini_batch)
# Handling the end case (last mini-batch < mini_batch_size)
if m % mini_batch_size != 0:
mini_batch_X = shuffled_X[:, num_complete_minibatches * mini_batch_size : m]
mini_batch_Y = shuffled_Y[:, num_complete_minibatches * mini_batch_size : m]
mini_batch = (mini_batch_X, mini_batch_Y)
mini_batches.append(mini_batch)
return mini_batches
def convert_to_one_hot(Y, C):
Y = np.eye(C)[Y.reshape(-1)].T
return Y
def predict(X, parameters):
W1 = tf.convert_to_tensor(parameters["W1"])
b1 = tf.convert_to_tensor(parameters["b1"])
W2 = tf.convert_to_tensor(parameters["W2"])
b2 = tf.convert_to_tensor(parameters["b2"])
W3 = tf.convert_to_tensor(parameters["W3"])
b3 = tf.convert_to_tensor(parameters["b3"])
params = {"W1": W1,
"b1": b1,
"W2": W2,
"b2": b2,
"W3": W3,
"b3": b3}
x = tf.placeholder("float", [12288, 1])
z3 = forward_propagation_for_predict(x, params)
p = tf.argmax(z3)
sess = tf.Session()
prediction = sess.run(p, feed_dict = {x: X})
return prediction
def forward_propagation_for_predict(X, parameters):
"""
Implements the forward propagation for the model: LINEAR -> RELU -> LINEAR -> RELU -> LINEAR -> SOFTMAX
Arguments:
X -- input dataset placeholder, of shape (input size, number of examples)
parameters -- python dictionary containing your parameters "W1", "b1", "W2", "b2", "W3", "b3"
the shapes are given in initialize_parameters
Returns:
Z3 -- the output of the last LINEAR unit
"""
# Retrieve the parameters from the dictionary "parameters"
W1 = parameters['W1']
b1 = parameters['b1']
W2 = parameters['W2']
b2 = parameters['b2']
W3 = parameters['W3']
b3 = parameters['b3']
# Numpy Equivalents:
Z1 = tf.add(tf.matmul(W1, X), b1) # Z1 = np.dot(W1, X) + b1
A1 = tf.nn.relu(Z1) # A1 = relu(Z1)
Z2 = tf.add(tf.matmul(W2, A1), b2) # Z2 = np.dot(W2, a1) + b2
A2 = tf.nn.relu(Z2) # A2 = relu(Z2)
Z3 = tf.add(tf.matmul(W3, A2), b3) # Z3 = np.dot(W3,Z2) + b3
return Z3