注:本系列文章主要是复现北京大学TensorFlow笔记中的代码,方便以后使用,并没有详细讲解流程,因为我并不是专门做教程的。何况北大的教程讲的已经很好了,有需要了解详细过程的可以去看北大的教程哈。
√过拟合: 神经网络模型在训练数据集上的准确率较高,在新的数据进行预测或分类时准确率较低, 说明模型的泛化能力差。
√正则化: 在损失函数中给每个参数 w 加上权重,引入模型复杂度指标,从而抑制模型噪声, 减小过拟合。
使用正则化后,损失函数 loss 变为两项之和:
loss = loss(y 与 y_) + REGULARIZER*loss(w)
其中,第一项是预测结果与标准答案之间的差距,如之前讲过的交叉熵、均方误差等;第二项是正则化计算结果。
√正则化计算方法:
① L1 正则化:
用 Tesnsorflow 函数表示:loss(w) = tf.contrib.layers.l1_regularizer(REGULARIZER)(w)
② L2 正则化:
用 Tesnsorflow 函数表示:loss(w) = tf.contrib.layers.l2_regularizer(REGULARIZER)(w)
√用 Tesnsorflow 函数实现正则化:
tf.add_to_collection('losses', tf.contrib.layers.l2_regularizer(regularizer)(w)
loss = cem + tf.add_n(tf.get_collection('losses'))
cem 的计算已在 4.1 节中给出。
例如:
用 300 个符合正态分布的点 X[x0, x1]作为数据集,根据点 X[x0, x1]计算生成标注 Y_,将数据集标注为红色点和蓝色点。
标注规则为:当 x02 + x12 < 2 时, y_=1,标注为红色;当 x02 + x12 ≥2 时, y_=0,标注为蓝色。
我们分别用无正则化和有正则化两种方法,拟合曲线, 把红色点和蓝色点分开。 在实际分类时,
如果前向传播输出的预测值 y 接近 1 则为红色点概率越大,接近 0 则为蓝色点概率越大,输出的预测值 y 为 0.5 是红蓝点概率分界线。
在本例子中,我们使用了之前未用过的模块与函数:
√matplotlib 模块: Python 中的可视化工具模块,实现函数可视化
终端安装指令: sudo pip install matplotlib
√函数 plt.scatter(): 利用指定颜色实现点(x,y)的可视化
plt.scatter (x 坐标, y 坐标, c=” 颜色”)
plt.show()15
√收集规定区域内所有的网格坐标点:
xx, yy = np.mgrid[起:止:步长, 起:止:步长] #找到规定区域以步长为分辨率的行列网格坐标点
grid = np.c_[xx.ravel(), yy.ravel()] #收集规定区域内所有的网格坐标点
√plt.contour()函数:告知 x、 y 坐标和各点高度,用 levels 指定高度的点描上颜色
plt.contour (x 轴坐标值, y 轴坐标值, 该点的高度, levels=[等高线的高度])
plt.show()
本例代码如下
#coding:utf-8
#0导入模块,生成模拟数据集
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
BATCH_SIZE=30
seed=2
#基于seed产生随机数
rdm=np.random.RandomState(seed)
#随机数返回300行2列的矩阵,表示300组坐标点(x0,x1)作为输入数据集
X=rdm.randn(300,2)
#从X这个200行2列的矩阵中取出一行,判断如果两个左边的平方和小于2,给Y赋值1,其余赋值为0
#作为输入数据集的标签(正确答案)
Y_=[int(x0*x0+x1*x1<2)for (x0,x1)in X]
#遍历Y中的每个元素,1赋值'red',其余赋值为'blue',这样可视化显示时,人可以直观区分
Y_c=[['red' if y else 'blue'] for y in Y_]
#对数据集X和标签Y进行shape整理,第一个元素为-1表示,随第二个参数计算得到,第二个元素表示
#多少列,把X整理为n行2列,把Y整理为n行1列
X=np.vstack(X).reshape(-1,2)
Y_=np.vstack(Y_).reshape(-1,1)
print(X)
print(Y_)
print(Y_c)
#用plt.scatter画出数据集X各行中第0列元素和第1列元素的点即各行的(x0,x1),用各行Y_c对应
#的值表示颜色(c是color的缩写)
plt.scatter(X[:,0],X[:,1],c=np.squeeze(Y_c))
plt.show()
#定义神经网络的输入、参数和输出,定义前向传播过程
def get_weight(shape,regularizer):
w=tf.Variable(tf.random_normal(shape),dtype=tf.float32)
tf.add_to_collection('losses',tf.contrib.layers.l2_regularizer(regularizer)(w))
return w
def get_bias(shape):
b=tf.Variable(tf.constant(0.001,shape=shape))
return b
x=tf.placeholder(tf.float32,shape=(None,2))
y_=tf.placeholder(tf.float32,shape=(None,1))
w1=get_weight([2,11],0.01)
b1=get_bias([11])
y1=tf.nn.relu(tf.matmul(x,w1)+b1)
w2=get_weight([11,1],0.01)
b2=get_bias([1])
y=tf.matmul(y1,w2)+b2 #输出层不过激活
#定义损失函数
loss_mse=tf.reduce_mean(tf.square(y-y_))
loss_total=loss_mse+tf.add_n(tf.get_collection('losses'))
#定义反向传播方法;不含正则化
train_step=tf.train.AdamOptimizer(0.0001).minimize(loss_mse)
with tf.Session() as sess:
init_op=tf.global_variables_initializer()
sess.run(init_op)
STEPS=40000
for i in range(STEPS):
start=(i*BATCH_SIZE)%300
end=start+BATCH_SIZE
sess.run(train_step,feed_dict={x:X[start:end],y_:Y_[start:end]})
if i% 2000==0:
loss_mse_v=sess.run(loss_mse,feed_dict={x:X,y_:Y_})
print("After %d steps,loss if %f" %(i,loss_mse_v))
#xx在-3到3之间以补偿为0.01,yy在-3到3之间以步长0.01,生成二维网格坐标点
xx,yy=np.mgrid[-3:3:.01,-3:3:.01]
#将xx,yy拉直,并合并成一个2列的矩阵,得到一个网格点坐标的集合
grid=np.c_[xx.ravel(),yy.ravel()]
#将网格坐标点喂入神经网络,probs为输出
probs=sess.run(y,feed_dict={x:grid})
#probs的shape调整chengxx的样子
probs=probs.reshape(xx.shape)
print("w1:\n",sess.run(w1))
print("b1:\n",sess.run(b1))
print("w2:\n",sess.run(w2))
print("b2:\n",sess.run(b2))
plt.scatter(X[:,0],X[:,1],c=np.squeeze(Y_c))
plt.contour(xx,yy,probs,levels=[.5])
plt.show()
#定义反向传播方法:包含正则化
train_step=tf.train.AdamOptimizer(0.0001).minimize(loss_total)
with tf.Session() as sess:
init_op=tf.global_variables_initializer()
sess.run(init_op)
STEPS=40000
for i in range(STEPS):
start=(i*BATCH_SIZE)%300
end=start+BATCH_SIZE
sess.run(train_step,feed_dict={x:X[start:end],y_:Y_[start:end]})
if i % 2000 ==0:
loss_v=sess.run(loss_total,feed_dict={x:X,y_:Y_})
print("After %d steps,loss is: %f" %(i,loss_v))
xx,yy=np.mgrid[-3:3:.01,-3:3:.01]
grid=np.c_[xx.ravel(),yy.ravel()]
probs=sess.run(y,feed_dict={x:grid})
probs=probs.reshape(xx.shape)
print("w1:\n",sess.run(w1))
print("b1:\n",sess.run(b1))
print("w2:\n",sess.run(w2))
print("b2:\n",sess.run(b2))
plt.scatter(X[:,0],X[:,1],c=np.squeeze(Y_c))
plt.contour(xx,yy,probs,levels=[.5])
plt.show()
执行代码, 效果如下:
首先,数据集实现可视化, x02 + x12 < 2 的点显示红色, x02 + x12 ≥2 的点显示蓝色,如图所示:
接着,执行无正则化的训练过程, 把红色的点和蓝色的点分开, 生成曲线如下图所示:
最后,执行有正则化的训练过程, 把红色的点和蓝色的点分开, 生成曲线如下图所示:
对比无正则化与有正则化模型的训练结果,可看出有正则化模型的拟合曲线平滑,模型具有更好的泛
化能力。