吴恩达深度学习专项课程的所有实验均采用iPython Notebooks实现,不熟悉的朋友可以提前使用一下Notebooks。本周的实验主要是熟悉一下深度学习框架Tensorflow的使用,并用Tensorflow搭建一个简单的3层神经网络完成多分类。之前我们学习了很多正则化(dropout,L2等)和加速模型训练(Adam,Batch Norm,Momentum,mini-batch等)的技术,这些技术首先要掌握它的原理,然后可以纯手写实现这些技术进一步加深理解就够了。至于把这些技术整合在一起实现一个复杂的深度模型时,推荐使用深度学习框架,可以极大的提高开发效率。所以掌握一种主流的深度学习框架非常重要,推荐使用Tensorflow。而且使用Tensorflow,只需要保证前向传播过程和计算代价函数正确实施,那么就定义好了模型结构(计算图),然后选择一个优化算法最小化代价函数更新参数就好了,反向传播计算梯度的过程可以自动沿着定义好的计算图完成。
目录
1.实验综述
2.导入必要的包
import math
import numpy as np
import h5py #用于与存储为h5文件格式的数据集进行交互
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow.python.framework import ops
#tf_utils.py 中定义了本次实验中必要的函数 如加载数据集,划分mini-batch,转换one-hot编码,predict等
from tf_utils import load_dataset,random_mini_batches,convert_to_one_hot,predict
%matplotlib inline
np.random.seed(1)
3.Tensorflow的简单使用
- 计算一个样本的损失
y_hat = tf.constant(36,name='y_hat') #把y_hat定义为一个常量 36
y = tf.constant(39,name='y') #把y定义为一个常量 39
loss = tf.Variable((y-y_hat)**2,name='loss') #为loss创建一个变量
init = tf.global_variables_initializer() #当init运行时 sess.run(init)
#loss变量将会被初始化并被计算
with tf.Session() as sess: #创建一个会话
sess.run(init) #初始化变量
print(sess.run(loss)) #打印损失
- 简单例子
a = tf.constant(2)
b = tf.constant(10)
c = tf.multiply(a,b) #也可以写成 c=a*b tf不仅封装了各种运算 而且也重载了各种运算符
print(c)
sess = tf.Session()
print(sess.run(c))
- placeholder
x = tf.placeholder(tf.int64,name='x')
print(sess.run(2*x,feed_dict={x:2}))
sess.close()
- 线性函数
def linear_function():
"""
实现线性函数
初始化W为一个(4,3)的随机tensor
初始化X为一个(3,1)的随机tensor
初始化b为一个(4,1)的随机tensor
返回:
result -- 运行session 计算Y=WX+b
"""
np.random.seed(1)
#初始化constant
W = tf.constant(np.random.randn(4,3),name='W')
X = tf.constant(np.random.randn(3,1),name='X')
b = tf.constant(np.random.randn(4,1),name='b')
#定义一个计算图
Y = tf.add(tf.matmul(W, X), b)
#创建session 运行计算图 计算Y的值
sess = tf.Session()
result = sess.run(Y)
#关闭session
sess.close()
return result
- 计算sigmoid
# GRADED FUNCTION: sigmoid
def sigmoid(z):
"""
计算sigmoid(z)
参数:
z -- 输入值 变量或向量
返回:
results -- sigmoid(z)
"""
#创建placeholder
x = tf.placeholder(tf.float32,name='x')
#定义计算图 计算sigmoid(x)
sigmoid = tf.sigmoid(x)
#创建session 并运行
#需要通过feed_dict 把z feed 给x
with tf.Session() as sess:
result = sess.run(sigmoid,feed_dict={x:z})
return result
- 计算cost
def cost(logits, labels):
"""
使用sigmoid cross entropy计算cost
参数:
logits -- 向量z(1,m),输出层再经过sigmoid激活函数前的中间结果
labels -- 真实标签 0/1 (1,m) y
Note: z在tf称为logits,y称为labels
返回:
cost -- 运行session得到的cost (formula (2))
"""
#为logits,labels创建placeholder
z = tf.placeholder(tf.float32,name='z')
y = tf.placeholder(tf.float32,name='y')
#定义计算图
cost = tf.nn.sigmoid_cross_entropy_with_logits(logits=z,labels=y)
#创建session 运行计算图
with tf.Session() as sess:
cost = sess.run(cost,feed_dict={z:logits,y:labels})
return cost
- 使用one-hot编码
def one_hot_matrix(labels, C):
"""
创建一个矩阵 第i行代表第i个分类类别,第j列对应第j个样本. 因此第j个样本的标签如果是i,那么(i,j)=1
参数:
labels -- 样本真实标签向量 y (1,m)
C -- 分类的类别数 one-hot矩阵的depth
返回:
one_hot -- one hot 矩阵 (C,m)
"""
#创建一个tf常量等于C(depth) 命名为C 进行一个封装
C = tf.constant(C,name='C')
#定义一个计算图
one_hot_matrix = tf.one_hot(labels,C,axis=0) #axis=0 是one-hot矩阵中每一列代表一个样本
#创建session 并运行计算图
with tf.Session() as sess:
one_hot = sess.run(one_hot_matrix)
return one_hot
- 用0或1初始化数组
def ones(shape):
"""
创建一个shape维的全为1 的数组(tensor)
参数:
shape -- 你要创建的数组(tensor)的维度
返回:
ones -- shape维的 元素全为1 的数组(tensor)
"""
#定义一个计算图
ones = tf.ones(shape)
#创建session 运行计算图
with tf.Session() as sess:
ones = sess.run(ones)
return ones
4.用Tensorflow搭建第一个神经网络
- signs数据集
- 加载数据集
#加载数据集
X_train_orig, Y_train_orig, X_test_orig, Y_test_orig, classes = load_dataset()
#可视化某个样本
index = 0
plt.imshow(X_train_orig[index])
print ("y = " + str(np.squeeze(Y_train_orig[:, index])))
- 数据集预处理
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
X_train = X_train_flatten/255
X_test = X_test_flatten/255
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))
- 创建placeholder
首先需要为X,Y创建placeholder。在之后运行session时,再feed相应的训练数据。
def create_placeholders(n_x, n_y):
"""
为X,Y创建placeholder
Arguments:
n_x -- 标量,一张图片特征向量的大小,num_px * num_px*3 = 64 * 64 * 3 = 12288
n_y -- 标量,分类的类别数 6 (0-5)
Returns:
X -- 输入数据特征矩阵的placeholder [n_x,None] 每一列代表一张图片的特征向量 float32
Y -- 输入数据标签的placeholder [n_y,None] 每一列代表一张图片的标签(one-hot) float32
None代表图片/样本数不确定 以运行session时 feed的样本数为准,可以灵活的传入任何样本数
"""
#创建placeholder
X = tf.placeholder(tf.float32,[n_x,None])
Y = tf.placeholder(tf.float32,[n_y,None])
return X, Y
- 初始化模型参数
def initialize_parameters():
"""
用TF为神经网络初始化参数(3层)
W1 : [25, 12288]
b1 : [25, 1]
W2 : [12, 25]
b2 : [12, 1]
W3 : [6, 12]
b3 : [6, 1]
Returns:
parameters -- 字典形式 包含W1, b1, W2, b2, W3, b3
"""
tf.set_random_seed(1)
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
- TF中的前向传播
def forward_propagation(X, parameters):
"""
实现3层网络的前向传播: LINEAR -> RELU -> LINEAR -> RELU -> LINEAR -> SOFTMAX
参数:
X -- 输入数据特征矩阵的placeholder [n_x,None] 每一列代表一张图片的特征向量
parameters -- Python字典 包含模型参数 "W1", "b1", "W2", "b2", "W3", "b3"
Returns:
Z3 -- 输出层的线性组合中间结果 ,通过激活函数之前的结果
"""
# 取出参数
W1 = parameters['W1']
b1 = parameters['b1']
W2 = parameters['W2']
b2 = parameters['b2']
W3 = parameters['W3']
b3 = parameters['b3']
#前向传播 定义计算图(网络结构)
Z1 = tf.add(tf.matmul(W1,X),b1)
A1 = tf.nn.relu(Z1)
Z2 = tf.add(tf.matmul(W2,A1),b2)
A2 = tf.nn.relu(Z2)
Z3 = tf.add(tf.matmul(W3,A2),b3)
return Z3
- 计算cost
def compute_cost(Z3, Y):
"""
计算 cost
Arguments:
Z3 -- 前向传播的输出 输出层的线性单元 (num_classes=6,number of examples(None))
Y -- 输入数据标签的placeholder [n_y=6,None] 每一列代表一张图片的标签(one-hot)
Returns:
cost
"""
#转换为默认维度
logits = tf.transpose(Z3)
labels = tf.transpose(Y)
#计算cost
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits,labels=labels))
return cost
- 反向传播&更新参数
- 构建模型
把之前实现的部分都组合在一起。
def model(X_train, Y_train, X_test, Y_test, learning_rate = 0.0001,
num_epochs = 1500, minibatch_size = 32, print_cost = True):
"""
实现一个3层TF神经网络: LINEAR->RELU->LINEAR->RELU->LINEAR->SOFTMAX.
Arguments:
X_train -- training set, of shape (input size = 12288, number of training examples = 1080)
Y_train -- test set, of shape (output size = 6, number of training examples = 1080)
X_test -- training set, of shape (input size = 12288, number of training examples = 120)
Y_test -- test set, of shape (output size = 6, number of test examples = 120)
learning_rate -- learning rate of the optimization
num_epochs -- number of epochs of the optimization loop
minibatch_size -- size of a minibatch
print_cost -- True to print the cost every 100 epochs
Returns:
parameters -- parameters learnt by the model. They can then be used to predict.
"""
ops.reset_default_graph()
tf.set_random_seed(1)
seed = 3
(n_x, m) = X_train.shape # (n_x: input size, m : number of examples in the train set)
n_y = Y_train.shape[0] # n_y : output size
costs = [] # To keep track of the cost
'''***定义一个计算图***'''
#为X,Y创建placeholder
X,Y = create_placeholders(n_x,n_y)
#初始化模型参数
parameters = initialize_parameters()
#前向传播
Z3 = forward_propagation(X,parameters)
#计算cost
cost = compute_cost(Z3,Y)
#反向传播 更新参数
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)
init = tf.global_variables_initializer()
'''***多次运行计算图,通过设置的placeholder每次灵活的feed不同的mini-batch***'''
with tf.Session() as sess:
# 运行init
sess.run(init)
# 设置epoch
for epoch in range(num_epochs):
epoch_cost = 0.
num_minibatches = int(m / minibatch_size) # 划分mini-batch的数量
seed = seed + 1
#对训练集划分mini-batch
minibatches = random_mini_batches(X_train, Y_train, minibatch_size, seed)
for minibatch in minibatches: #遍历每个mini-batch
# 选择一个mini-batch
(minibatch_X, minibatch_Y) = minibatch
#反复运行定义好的计算图 每次feed一个mini-batch
_,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()
# 把模型参数保存起来
parameters = sess.run(parameters)
print ("Parameters have been trained!")
# Calculate the correct predictions
correct_prediction = tf.equal(tf.argmax(Z3), tf.argmax(Y))
# Calculate accuracy on the test set
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
print ("Train Accuracy:", accuracy.eval({X: X_train, Y: Y_train}))
print ("Test Accuracy:", accuracy.eval({X: X_test, Y: Y_test}))
return parameters
- 训练模型
- 总结
- 用自己的图片做测试
#读取图片需要的库
import scipy
from PIL import Image
from scipy import ndimage
#图片的名称
my_image = "thumbs_up.jpg"
fname = "images/" + my_image #图片的相对路径
image = np.array(ndimage.imread(fname, flatten=False))#读取图片保存到3维数组中
my_image = scipy.misc.imresize(image, size=(64,64)).reshape((1, 64*64*3)).T#把3维数组拉伸为列向量(用2维数组表示)
my_image_prediction = predict(my_image, parameters)#用训练好的模型参数 对自己的图片做预测
plt.imshow(image) #可视化图片
print("Your algorithm predicts: y = " + str(np.squeeze(my_image_prediction)))#打印图片的预测类别
5.总结
6.实验完整代码