TensorFlow学习笔记-02
二、建造我们第一个神经网络
1、添加神经层 def add_layer()
添加神经层,需要权重Weights,偏差biases,激励函数。
关键部分是确定好权重Weights、偏差biases的shape。示例代码如下:
def add_layer(inputs, in_size, out_size, activation_function=None):
Weights = tf.Variable(tf.random_normal([in_size, out_size]))
biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
Wx_plus_b = tf.matmul(inputs, Weights) + biases
if activation_function is None:
outputs = Wx_plus_b
else:
outputs = activation_function(wx_plus_b)
return outputs
2、建造神经网络
这一节主要详细列举了一下,如何使用第一节定义的神经层,如何正确使用tf.placeholder等以前学过的内容,去建造神经网络,在最后能够正确输出误差的具体数值。
通过学习这一节,主要收获如下:
(1)tf.squre() 与np.squre()不同,第一个得到的是一个tensor,第二个得到的与输入的类型一样。
(2)在建造神经网络的时候注意使用placeholder,不然在后面如果没有feed_dict,会出现报错现象
本节代码比较多,就不进行展示了,可以直接参考此处。
3、结果可视化
这次结果终于出来了,散点图的趋势也正确,红色动态图也出来了,最后的图也能够保存下来,没有出现闪退的显现,不得不说评论区的大佬真多!
首先是构建散点图:
# plot the real data
fig = plt.figure()
ax = fig.add_subplot(1, 1, 1)
ax.scatter(x_data, y_data)
plt.show()
plt.ion() # 这是用于连续显示的,就是后面要求把整个动态的调整过程一直显示出来,我们可以看出是如何调整的,所以就得一直显示
每隔50次训练刷新一次图形,用红色、宽度为5的线来显示我们的预测数据和输入之间的关系,并暂停0.1s。
for i in range(1000):
sess.run(train_op, feed_dict={xs: x_data, ys: y_data})
if i % 50 == 0:
# print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))
try:
ax.lines.remove(lines[0])
except Exception:
pass
prediction_value=sess.run(prediction,feed_dict={xs:x_data})
lines=ax.plot(x_data,prediction_value,'r-',lw=5)
plt.pause(0.1)
然后运行就可以出现视频讲解的动态效果了。
(1)如果是不能展示出红色的动态效果,在pycharm里面的进行设置处理一下
setting→python scientific→取消“show plots”
(2)如果是最后会闪退,不能保持图行
在代码最后加上:
plt.pause(0)
就很好的解决了!
4、加速神经网络训练(speed up training)
这一节主要讲了一下几种加速神经网络训练的方法,主要是通过改变传统参数W的更新方式
0)、传统的参数W更新公式为:
其中:
learning rate:为学习率
dx:为校正值
1)、 Stochastic Gradient Descent(SGD)
这是一种最基础的训练方法。在训练的时候通常有大批的数据要进行训练,而把这些数据拆分成小批小批,然后再放入神经网络中进行训练,相比之前速度就会提高不少,而且在准确率方面也不会相差太多。这就是随机提丢下降(SGD)训练方法。
2)、 Momentum
改变神经网络参数W的更新方法:
这里莫烦把它称之为类似于把一个喝醉的人放到一个斜坡上。
3)、 AdaGrad
改变学习率,使得每一个参数更新都有自己不同的学习率:
莫烦称这种方法类似于给喝醉的人一双不好走路的鞋子。
4)、 RMSProp
把第二种和第三种方法结合起来(但是不完全是):
5)、 Adam
将第二种和第三种方法完全结合起来:
这样在计算m时又momentum下坡的属性,计算v时有adagrad阻力的属性,在更新参数时把m和v都考虑进去,这样训练的速度又快又好,训练可以迅速收敛。