""" logistic函数,也称sigmoid函数,概率分布函数。 给定特定输入,计算输出"success"的概率,对问题回答"Yes"的概率。 接受单个输入。 多维数据或训练集样本特征,可以用线性回归模型表达式合并成单值。 损失函数可以使用平方误差。 训练集"Yes"代表100%概率或输出值1的概率。 损失刻画特定样本模型分配小于1值概率。 "No"概率值0。 损失是模型分配样本概率值并取平方。 平方误差惩罚与损失同数量级情形。 输出与期望相差太远,交叉熵(cross entropy)输出更大值(惩罚)。 模型期望输出"Yes"样本预测概率接近0时,罚项值增长到接近无穷大。 训练完,模型不可能做出这样的错误预测。 TensorFlow提供单个优化步骤sigmoid输出计算交叉熵。 信息论,符号字符串每个字符出现概率已知,用香农熵估计字符串每个符号编码所需平均最小位数。 符号编码,如果假设其他概率非真实概率,符号编码长度更大。 交叉熵以次优编码方案计算同字符串编码平均最小位数。 损失函数期望输出概率分布,实际值100%和0,将自定概率作为模型计算输出。 sigmoid函数输出概率值。 当真实概率等于自定概率,交叉熵值最小。 交叉熵越接近熵,自定概率是真实概率更好逼近。 模型输出与期望输出越接近,交叉熵越小。 从csv文件读取数据,加载解析,创建批次读取张量多行数据,提升推断计算效率。 tf.decode_csv() Op将字符串(文本行)转换到指定默认值张量列元组,为每列设置数据类型。 读取文件,加载张量batch_size行。 属性数据(categorical data),推断模型需要把字符串特征转换为数值型特征。 每个属性特征扩展为N维布尔型特征,每个可能取值对应一维。 具备属性相应维度取值1。 模型对每个可能取值独立加权。 单个变量表示只可能两种值属性。 所有特征排列矩阵,矩阵转置,每行一样本,每列一特征。 输入,调用read_csv,转换读取数据,tf.equal方法检查属性值与常量值是否相等,tf.to_float方法将布尔值转换成数值。 tf.stack方法打包所有布尔值进单个张量。 训练,度量准确率,正确预测样本总数占全部样本比例。 样本输出大于0.5转换为正回答。 tf.equal比较预测结果与实际值是否相等。 tf.reduce_mean统计所有正确预测样本数,除以批次样本总数,得到正确预测百分比。 """ import tensorflow as tf import os #参数变量初始化 W = tf.Variable(tf.zeros([5, 1]), name="weights")#变量权值 b = tf.Variable(0., name="bias")#线性函数常量,模型偏置 def combine_inputs(X):#输入值合并 print "function: combine_inputs" return tf.matmul(X, W) + b def inference(X):#计算返回推断模型输出(数据X) print "function: inference" return tf.sigmoid(combine_inputs(X))#调用概率分布函数 def loss(X, Y):#计算损失(训练数据X及期望输出Y) print "function: loss" return tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=combine_inputs(X), labels=Y))#求平均值 def read_csv(batch_size, file_name, record_defaults):#从csv文件读取数据,加载解析,创建批次读取张量多行数据 filename_queue = tf.train.string_input_producer([os.path.join(os.getcwd(), file_name)]) reader = tf.TextLineReader(skip_header_lines=1) key, value = reader.read(filename_queue) decoded = tf.decode_csv(value, record_defaults=record_defaults)#字符串(文本行)转换到指定默认值张量列元组,为每列设置数据类型 return tf.train.shuffle_batch(decoded, batch_size=batch_size, capacity=batch_size * 50, min_after_dequeue=batch_size) #读取文件,加载张量batch_size行 def inputs():#读取或生成训练数据X及期望输出Y print "function: inputs" #数据来源:https://www.kaggle.com/c/titanic/data #模型依据乘客年龄、性别、船票等级推断是否能够幸存 passenger_id, survived, pclass, name, sex, age, sibsp, parch, ticket, fare, cabin, embarked = \ read_csv(100, "train.csv", [[0.0], [0.0], [0], [""], [""], [0.0], [0.0], [0.0], [""], [0.0], [""], [""]]) #转换属性数据 is_first_class = tf.to_float(tf.equal(pclass, [1]))#一等票 is_second_class = tf.to_float(tf.equal(pclass, [2]))#二等票 is_third_class = tf.to_float(tf.equal(pclass, [3]))#三等票 gender = tf.to_float(tf.equal(sex, ["female"]))#性别,男性为0,女性为1 features = tf.transpose(tf.stack([is_first_class, is_second_class, is_third_class, gender, age])) #所有特征排列矩阵,矩阵转置,每行一样本,每列一特征 survived = tf.reshape(survived, [100, 1]) return features, survived def train(total_loss):#训练或调整模型参数(计算总损失) print "function: train" learning_rate = 0.01 return tf.train.GradientDescentOptimizer(learning_rate).minimize(total_loss) def evaluate(sess, X, Y):#评估训练模型 print "function: evaluate" predicted = tf.cast(inference(X) > 0.5, tf.float32)#样本输出大于0.5转换为正回答 print sess.run(tf.reduce_mean(tf.cast(tf.equal(predicted, Y), tf.float32))) #统计所有正确预测样本数,除以批次样本总数,得到正确预测百分比 #会话对象启动数据流图,搭建流程 with tf.Session() as sess: print "Session: start" tf.global_variables_initializer().run() X, Y = inputs() total_loss = loss(X, Y) train_op = train(total_loss) coord = tf.train.Coordinator() threads = tf.train.start_queue_runners(sess=sess, coord=coord) training_steps = 1000#实际训练迭代次数 for step in range(training_steps):#实际训练闭环 sess.run([train_op]) if step % 10 == 0:#查看训练过程损失递减 print str(step)+ " loss: ", sess.run([total_loss]) print str(training_steps) + " final loss: ", sess.run([total_loss]) evaluate(sess, X, Y)#模型评估 import time time.sleep(5) coord.request_stop() coord.join(threads) sess.close()
"生存还是灭亡,这是一个问题。"--《哈姆雷特》·莎士比亚
最新推荐文章于 2024-04-28 07:45:42 发布