1. 计算图

tensorflow使用计算图的模型来进行计算。tensorflow程序一般可以分为两个阶段，第一个是定义计算图中所有的计算，第二个是执行计算。

通过python上下文管理器，可以在管理器推出时自动释放资源

import tensorflow as tf
a=tf.constant([1.0,2.0],name='a')
b=tf.constant([1.0,2.5],name='b')
result=a+b

with tf.Session() as sess:
    sess.run(result)

2. 神经网络实现

a. 提取特征向量作为输入 b. 定义神经网络结构 c. 通过训练数据来调整参数 d. 使用训练好的神经网络预测未知的数据

训练神经网络的过程：

a. 定义神经网络的结构和前向传播的输出结果

b. 定义损失函数以及选择反向传播优化的算法

c. 生成会话（tf.Session）并且在训练数据上反复运行反向传播优化算法

2.1 前向传播算法

最简单的全连接神经网络：相邻两层之间任意两个节点之间都有连接。以下是一个简单的前向网络的实现过程。

2.2 参数表示

import tensorflow as tf

w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1)) #stddev其实是standar deviation
w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))

x=tf.constant([[0.7,0.9]])

a=tf.matmul(x,w1)
y=tf.matmul(a,w2)

sess=tf.Session()

init_op=tf.initialize_all_variables() #对所有变量进行初始化，因为在变量定义时知识给出了初始化的方法，没有运行
sess.run(init_op)

print(sess.run(y))
sess.close()

2.3 反向传播算法

降低图的大小方法：tensorflow中提供了placeholder机制用于提供输入数据，placeholder相当于定义了一个位置，这个位置中的数据在程序运行时再指定。但需要提供一个字典feed_dict来只当x的取值

实例1还是前向传播算法

import tensorflow as tf
w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1)) 
w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))
x=tf.placeholder(tf.float32,shape=(1,2),name="input")
a=tf.matmul(x,w1)
y=tf.matmul(a,w2)
sess=tf.Session()
init_op=tf.initialize_all_variables() 
sess.run(init_op)
print(sess.run(y,feed_dict={x:[[0.7,0.9]]}))

还可以定义n*2个输入

x=tf.placeholder(tf.float32,shape=(3,2),name="input")

print(sess.run(y,feed_dict={x:[[0.7,0.9],[0.1,0.4],[0.5,0.8]]}))

定义损失函数

#定义损失函数
cross_entropy=-tf.reduce_mean(y_*tf.log(tf.clip_by_value(y,1e-10,1.0)))
learning_rate=0.001
train_step=tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy)

神经网络具体实现的完整例子

# -*- coding: utf-8 -*-
# 神经网络实现
import tensorflow as tf
from numpy.random import RandomState

#定义训练数据batch的大小
batch_size=8

#定义神经网络参数
w1= tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))
w2= tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))

# 在shape的一个维度使用None可以方便使用不大的batch大小，在训练时把数据分成比较小的batch
# 但是在测试时，可以一次性使用全部的数据
x = tf.placeholder(tf.float32, shape=(None, 2), name="x-input")
y_= tf.placeholder(tf.float32, shape=(None, 1), name='y-input')

# 定义神经网络前向传播过程
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)
y=tf.sigmoid(y)
learning_rate=0.001
cross_entropy = -tf.reduce_mean(y_ * tf.log(tf.clip_by_value(y, 1e-10, 1.0))
                                + (1 - y_) * tf.log(tf.clip_by_value(1 - y, 1e-10, 1.0)))
train_step = tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy)

# 随机生成一个模拟数据集
rdm=RandomState(1)
dataset_size=128
X=rdm.rand(dataset_size,2)
Y=[[int(x1+x2)<1] for (x1,x2) in X]


with tf.Session() as sess:
    init_op = tf.global_variables_initializer()
    sess.run(init_op)
    
    # 输出目前（未经训练）的参数取值。
    print(sess.run(w1))
    print(sess.run(w2))
    print("\n")
    
    # 训练模型。
    STEPS = 5000
    for i in range(STEPS):
        start = (i*batch_size) % 128
        end = (i*batch_size) % 128 + batch_size
        sess.run([train_step, y, y_], feed_dict={x: X[start:end], y_: Y[start:end]})
        if i % 1000 == 0:
            total_cross_entropy = sess.run(cross_entropy, feed_dict={x: X, y_: Y})
            print("After %d training step(s), cross entropy on all data is %g" % (i, total_cross_entropy))
    
    # 输出训练后的参数取值。
    print("\n")
    print(sess.run(w1))
    print(sess.run(w2))

深度学习（1）——计算图和神经网络实现

1. 计算图

2. 神经网络实现

2.1 前向传播算法

2.2 参数表示

2.3 反向传播算法

猜你喜欢