質問をします
ネチズンのブログは、彼が一度にインタビューを記録し、インタビュアーがホワイトボードにTensorFlowと排他的論理和(XOR)機能を実現するために、単純なネットワークを書くように頼んだ会いました。これ自体は難しいことではない、単層パーセプトロンは、XOR問題を解決することはできませんニューラルネットワークを学習常識であり、単純な二層ニューラルネットワークを容易に解決することができました。しかし、問題の難しさは、我々がTensorFlowと通常の直接接触はCNNを書くために使用、学習やその他の関連するネットワークの深さは、この単純なネットワークを実現しながら、基本的にはやったことがないということです。しかも、ホワイトボードに書かれた必要バグ無料にしたい場合は、簡単なことではああではありません。
データ
次のようにCHANGの教師データを分析しました
デジタル101-1000ラベリング行う、すなわちトレーニングデータxtrain.shape =(900,10)は、各番号はバイナリで表され、最初の数は101であり、バイナリで表現される、[1 0,1,0,0,1,1,0,0,0]、各々が表す1} {^ 2-N-を、N- 少数の左の数を表します。場合について合計4つ、[一般に、フィズ、バズ、フィズバズ] 、 他は0(900,10)=そうy_train.shape、1で表される対応する寸法であります
データ分析
900個のサンプルは、各サンプルの数を表し、バイナリ値で表される値を有します。観察試料は、最初の数は101、1010011000のバイナリ表現であります
その後、ラベルを観察します
そうでない場合には、整数3,5または同時に、元の番号が保持されます。だから、4例の合計。「元の番号、フィズ、バズ、フィズ&バズ」
inputlayer寸法は10、中間次元隠れ層100の出力は、4次元の最終出力です。、設定をコンパイル機能を使用してReLU活性化機能は、レートの最適化機能を学習し、分類を行うことです、あなたはその後、バッチサイズとエポックを設定することができ、アダムです。
ソース
#!は/ usr / binに/のenv pythonの
#- * -コーディング:UTF-8 - * -
#@time:2019年9月13日11時12分
#1 @Author:BaoBao
#@Mail:[email protected]
#@file :test6.py.py
#@Software:PyCharm
#フィズの話題の问题
から keras.layers.normalizationの輸入BatchNormalization
から keras.modelsはインポートシーケンシャルを
から keras.layers.core 輸入高密度、ドロップアウト、アクティベーション
から keras.optimizersの輸入SGD、アダム
のインポートNPのようnumpyの
デフfizzbuzz(始端):
x_train、y_train = []、[]
のための I における範囲(開始、終了+ 1 ):
NUM = 私は
tmpに = [0] * 10
J = 0
一方NUM:
TMP [J] = NUM &1
NUM = NUM >> 1
J + = 1
x_train.append(TMP)
であれば、I%3 == 0 及び I%5 == 0:
y_train.append([0,0,0、 1 ])
のelif I% 3 == 1 0:
y_train.append([0、、0,0])
のelif I%5 == 0:
y_train.append([0,0、 1 、0])
他:
y_train.append([ 1 、0,0,0] )
戻りnp.array(x_train)、np.array(y_train)
x_train、y_train = fizzbuzz(101,1000) #打标记函数
x_test、y_test = fizzbuzz(1100 )
モデル = シーケンシャル()
model.add(高密度(input_dim = 10、output_dim = 10 ))
model.add(アクティベーション(' relu ' ))
model.add(高密度(output_dim = 4 ))
model.add(アクティベーション('ソフトマックス' ))
model.compile(損失 = ' categorical_crossentropy 'オプティマイザ= ' アダム'メトリック= [ ' 精度' ])
model.fit(x_train、y_train、BATCH_SIZE = 20、nb_epoch = 100 )
の結果 = model.evaluate( x_test、y_test、BATCH_SIZE = 1000 )
プリント(' [ACC '、結果[1])
業績
Accurayは、結果は非常に良いではありません見ることができますので、我々は、このような活性化関数、または大幅に精度を改善するために改変隠しneureの変更などに対処するためのプログラム、各種のは、1000年後に見ることができます考えます
業績
---------------------------------- ------------豪華な分割線------------------------------
他のブロガーから見する一つの方法は、私は非常にシンプルな料理ああQAQを書きました
1.importモジュール
import numpy as np import tensorflow as tf
2.输入数据的placeholder
具体来说,一个data,一个label
data = tf.placeholder(tf.float32, shape=(4, 2))
label = tf.placeholder(tf.float32, shape=(4, 1))
由于本例比较特殊,异或只有四种输入和对应的四个输出,所以根据需求定义固定的shape
3.基于输入数据的placeholder构建model
异或需要两层神经网络,每层分别需要一个weights和一个bias,所以定义如下:
with tf.variable_scope('layer1') as scope: weight = tf.get_variable(name='weight', shape=(2, 2)) bias = tf.get_variable(name='bias', shape=(2,)) x = tf.nn.sigmoid(tf.matmul(data, weight) + bias) with tf.variable_scope('layer2') as scope: weight = tf.get_variable(name='weight', shape=(2, 1)) bias = tf.get_variable(name='bias', shape=(1,)) x = tf.matmul(x, weight) + bias
这里为了方便变量管理,以及在tensorboard上的条理性,使用了variable_scope,当然,也可以不使用。
此外,因为我们后面的loss要使用sigmoid_cross_entropy_with_logits函数,所以这里第二层网络的输出没有过sigmoid函数。如果loss使用其他函数,则可以做相应处理。
4.定义loss
其实这里可以灵活选用各种loss函数,比如MSE,等等。但我们还是选用了在CNN中广泛使用的cross entropy
preds = tf.nn.sigmoid(x)
loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(labels=label, logits=x))
我们这里把模型的输出x过了一下sigmoid函数,作为最终输出,以便在训练时对模型进行监视。
5.定义Optimizer
learning_rate = tf.placeholder(tf.float32)
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)
6.构建并输入数据,开始训练
train_data = np.array([[0, 0], [0, 1], [1, 0], [1, 1]]) train_label = np.array([[0], [1], [1], [0]]) with tf.Session() as sess: sess.run(tf.global_variables_initializer()) for step in range(10000): if step < 3000: lr = 1 elif step < 6000: lr = 0.1 else: lr = 0.01 _, l, pred = sess.run([optimizer, loss, preds], feed_dict={data: train_data, label: train_label, learning_rate: lr}) if step % 500: print('Step: {} -> Loss: {} -> Predictions: {}'.format(step, l, pred)
完整代码:
#!/usr/bin/env python # -*- coding: utf-8 -*- # @Time : 2019/9/13 11:24 # @Author : BaoBao # @Mail : [email protected] # @File : test7.py # @Software: PyCharm #fizz buzz问题 import numpy as np import tensorflow as tf data = tf.placeholder(tf.float32, shape=(4, 2)) label = tf.placeholder(tf.float32, shape=(4, 1)) with tf.variable_scope('layer1') as scope: weight = tf.get_variable(name='weight', shape=(2, 2)) bias = tf.get_variable(name='bias', shape=(2,)) x = tf.nn.sigmoid(tf.matmul(data, weight) + bias) with tf.variable_scope('layer2') as scope: weight = tf.get_variable(name='weight', shape=(2, 1)) bias = tf.get_variable(name='bias', shape=(1,)) x = tf.matmul(x, weight) + bias preds = tf.nn.sigmoid(x) loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(labels=label, logits=x)) learning_rate = tf.placeholder(tf.float32) optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss) train_data = np.array([[0, 0], [0, 1], [1, 0], [1, 1]]) train_label = np.array([[0], [1], [1], [0]]) with tf.Session() as sess: sess.run(tf.global_variables_initializer()) for step in range(10000): if step < 3000: lr = 1 elif step < 6000: lr = 0.1 else: lr = 0.01 _, l, pred = sess.run([optimizer, loss, preds], feed_dict={data: train_data, label: train_label, learning_rate: lr}) if step % 500: print('Step: {} -> Loss: {} -> Predictions: {}'.format(step, l, pred))
运行结果