TensorFlow中的优化算法

API

class AdadeltaOptimizer:实现Adadelta算法的优化器。

class AdagradDAOptimizer:用于稀疏线性模型的Adagrad Dual Averaging算法。

class AdagradOptimizer:实现Adagrad算法的优化器。

class AdamOptimizer:实现Adam算法的优化器。

class BytesList

class Checkpoint:组检查可检查对象,保存和恢复它们。

class CheckpointSaverHook:每N步或秒保存检查点。

class CheckpointSaverListener:在检查点保存之前或之后执行操作的侦听器的接口。

class ChiefSessionCreator:为一个酋长创建一个tf.Session。

class ClusterDef

class ClusterSpec:将群集表示为一组“任务”,组织为“作业”。

class Coordinator:线程协调员。

class Example

class ExponentialMovingAverage:通过使用指数衰减维持变量的移动平均值。

class Feature

class FeatureList

class FeatureLists

class Features

class FeedFnHook:运行feed_fn并相应地设置feed_dict

class FinalOpsHook:一个Tensors在会话结束时评估的钩子。

class FloatList

class FtrlOptimizer:实现FTRL算法的优化器。

class GlobalStepWaiterHook:延迟执行直到全局步骤到达wait_until_step

class GradientDescentOptimizer:优化器,实现梯度下降算法。

class Int64List

class JobDef

class LoggingTensorHook:每N个本地步骤,每N秒或结束打印给定的张量。

class LooperThread:重复运行代码的线程,可选择在计时器上运行。

class MomentumOptimizer:实现Momentum算法的优化器。

class MonitoredSession:类似会话的对象,用于处理初始化,恢复和挂钩。

class NanLossDuringTrainingError

class NanTensorHook:如果损失是NaN,监控损失张量并停止训练。

class Optimizer:优化器的基类。

class ProfilerHook:每N步或秒捕获CPU / GPU分析信息。

class ProximalAdagradOptimizer:优化器,实现Proximal Adagrad算法。

class ProximalGradientDescentOptimizer:优化器,实现近端梯度下降算法。

class QueueRunner:保存队列的入队操作列表,每个队列都在一个线程中运行。

class RMSPropOptimizer:实现RMSProp算法的优化器。

class Saver:保存和恢复变量。

class SaverDef

class Scaffold:用于创建或收集训练模型通常所需的部分的结构。

class SecondOrStepTimer:定时器每N秒触发一次或每N步触发一次。

class SequenceExample

class Server:进程内TensorFlow服务器,用于分布式培训。

class ServerDef

class SessionCreator:tf.Session的工厂。

class SessionManager:从检查点恢复并创建会话的培训助手。

class SessionRunArgs:表示要添加到Session.run()调用的参数。

class SessionRunContext:提供有关session.run()正在进行的呼叫的信息。

class SessionRunHook:挂钩以扩展对MonitoredSession.run()的调用。

class SessionRunValues:包含结果Session.run()

class SingularMonitoredSession:类似会话的对象,用于处理初始化,恢复和挂钩。

class StepCounterHook:钩子计算每秒的步数。

class StopAtStepHook:钩子请求在指定的步骤停止。

class SummarySaverHook:每N步保存摘要。

class Supervisor:检查点建模和计算摘要的培训助手。

class SyncReplicasOptimizer:要同步的类,聚合渐变并将它们传递给优化器。

class VocabInfo:热门启动的词汇信息。

class WorkerSessionCreator:为worker创建一个tf.Session。

功能

MonitoredTrainingSession(...):创建一个MonitoredSession培训。

NewCheckpointReader(...)

add_queue_runner(...)QueueRunner在图表中添加一个集合。(废弃)

assert_global_step(...):Asserts global_step_tensor是一个标量int VariableTensor

basic_train_loop(...):训练模型的基本循环。

batch(...):创建批量的张量tensors。(废弃)

batch_join(...):运行张量列表以填充队列以创建批量示例。(废弃)

checkpoint_exists(...):检查V1或V2检查点是否存在指定的前缀。

confusion_matrix(...):从预测和标签计算混淆矩阵。

cosine_decay(...):将余弦衰减应用于学习率。

cosine_decay_restarts(...):应用余弦衰减并重新启动学习率。

create_global_step(...):在图形中创建全局步长张量。

do_quantize_training_on_graphdef(...):正在开发一种通用的量化方案tf.contrib.quantize。(废弃)

exponential_decay(...):将指数衰减应用于学习率。

export_meta_graph(...):返回MetaGraphDef原型。可选择将其写入filename。

generate_checkpoint_state_proto(...):生成检查点状态原型。

get_checkpoint_mtimes(...):返回检查点的mtimes(修改时间戳)。

get_checkpoint_state(...):从“检查点”文件返回CheckpointState proto。

get_global_step(...):获得全局步长张量。

get_or_create_global_step(...):返回并创建(如果需要)全局步长张量。

global_step(...):帮助全球迈出的小帮手。

import_meta_graph(...):重新创建保存在MetaGraphDefproto中的Graph 。

init_from_checkpoint(...):使用从给定检查点加载的张量初始化当前变量。

input_producer(...):将输出input_tensor管道的行输出到队列。(废弃)

inverse_time_decay(...):将反时限衰减应用于初始学习速率。

latest_checkpoint(...):查找最新保存的检查点文件的文件名。

limit_epochs(...):返回张量num_epochs时间然后引发OutOfRange错误。(废弃)

linear_cosine_decay(...):将线性余弦衰减应用于学习速率。

list_variables(...):返回检查点中所有变量的列表。

load_checkpoint(...)CheckpointReader找到的检查点的返回值ckpt_dir_or_file

load_variable(...):返回检查点中给定变量的张量值。

match_filenames_once(...):保存匹配模式的文件列表,因此只计算一次。

maybe_batch(...):有条件地创建基于的批量张量keep_input。(废弃)

maybe_batch_join(...):运行张量列表以有条件地填充队列以创建批次。(废弃)

maybe_shuffle_batch(...):通过随机改组条件排列的张量来创建批次。(废弃)

maybe_shuffle_batch_join(...):通过随机改组条件排列的张量来创建批次。(废弃)

natural_exp_decay(...):将自然指数衰减应用于初始学习率。

noisy_linear_cosine_decay(...):将嘈杂的线性余弦衰减应用于学习速率。

piecewise_constant(...):来自边界和间隔值的分段常数。

polynomial_decay(...):将多项式衰减应用于学习速率。

range_input_producer(...):生成队列中从0到限制1的整数。(废弃)

remove_checkpoint(...):删除给定的检查点checkpoint_prefix

replica_device_setter(...):返回a device function以在为副本构建Graph时使用。

sdca_fprint(...):计算输入字符串的指纹。

sdca_optimizer(...):分布式版本的随机双坐标上升(SDCA)优化器

sdca_shrink_l1(...):对参数应用L1正则化收缩步骤。

shuffle_batch(...):通过随机填充张量创建批次。(废弃)

shuffle_batch_join(...):通过随机填充张量创建批次。(废弃)

slice_input_producer(...):产生每一个切片Tensortensor_list。(废弃)

start_queue_runners(...):启动图中收集的所有队列运行程序。(废弃)

string_input_producer(...):将字符串(例如文件名)输出到输入管道的队列。(废弃)

summary_iterator(...):用于Event从事件文件中读取协议缓冲区的迭代器。

update_checkpoint_state(...):更新“检查点”文件的内容。

warm_start(...):使用给定的设置暖启动模型。

write_graph(...):将图形原型写入文件。

Stochastic Gradient Descent(SGD)

最基础的方法就是GD了,将整个数据集放入模型中,不断的迭代得到模型的参数,当然这样的方法计算资源占用的比较大,那么有没有什么好的解决方法呢?就是把整个数据集分成小批(mini-batch),然后再进行上述操作这就是SGD了,这种方法虽然不能反应整体的数据情况,不过能够很大程度上加快了模型的训练速度,并且也不会丢失太多的准确率
参数的迭代公式
w:=w−α∗dww:=w−α∗dw

Momentum

传统的GD可能会让学习过程十分的曲折,这里我们引入了惯性这一分量,在朝着最优点移动的过程中由于惯性走的弯路会变少
m=β∗m−α∗dwm=β∗m−α∗dw
w:=w−mw:=w−m

AdaGrad

这个方法主要是在学习率上面动手脚,每个参数的更新都会有不同的学习率
s=s+dw2s=s+dw2
w:=w−α∗dw/s√w:=w−α∗dw/s

RMSProp

AdaGrad收敛速度快,但不一定是全局最优,为了解决这一点,加入了Momentum部分
s=β∗s+(1−β)dw2s=β∗s+(1−β)dw2
w:=w−α∗dw/s√w:=w−α∗dw/s

Adam

adam是目前比较好的方法,它融合了Momentum和RMSProp方法

 

# https://www.cnblogs.com/wxshi/p/8645634.html
import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np


def reset_graph(seed=42):
    tf.reset_default_graph()
    tf.set_random_seed(seed)
    np.random.seed(seed)


reset_graph()
plt.figure(1, figsize=(10, 8))
x = np.linspace(-1, 1, 100)[:, np.newaxis]  # <==>x=x.reshape(100,1)
noise = np.random.normal(0, 0.1, size=x.shape)
y = np.power(x, 2) + x + noise  # y=x^2 + x+噪音
plt.scatter(x, y)
plt.show()
learning_rate = 0.01
batch_size = 10  # mini-batch的大小


class Network(object):
    def __init__(self, func, **kwarg):
        self.x = tf.placeholder(tf.float32, [None, 1])
        self.y = tf.placeholder(tf.float32, [None, 1])
        hidden = tf.layers.dense(self.x, 20, tf.nn.relu)
        output = tf.layers.dense(hidden, 1)
        self.loss = tf.losses.mean_squared_error(self.y, output)
        self.train = func(learning_rate, **kwarg).minimize(self.loss)


SGD = Network(tf.train.GradientDescentOptimizer)
Momentum = Network(tf.train.MomentumOptimizer, momentum=0.5)
AdaGrad = Network(tf.train.AdagradOptimizer)
RMSprop = Network(tf.train.RMSPropOptimizer)
Adam = Network(tf.train.AdamOptimizer)
networks = [SGD, Momentum, AdaGrad, RMSprop, Adam]
record_loss = [[], [], [], [], []]  # 踩的坑不能使用[[]]*5
plt.figure(2, figsize=(10, 8))
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for stp in range(200):
        index = np.random.randint(0, x.shape[0], batch_size)  # 模拟batch
        batch_x = x[index]
        batch_y = y[index]
        for net, loss in zip(networks, record_loss):
            _, l = sess.run([net.train, net.loss], feed_dict={net.x: batch_x, net.y: batch_y})
            loss.append(l)  # 保存每一batch的loss
labels = ['SGD', 'Momentum', 'AdaGrad', 'RMSprop', 'Adam']
for i, loss in enumerate(record_loss):
    plt.plot(loss, label=labels[i])
plt.legend(loc="best")
plt.xlabel("steps")
plt.ylabel("loss")
plt.show()

  • 0
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

ljtyxl

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值