一、概述及完整代碼

對MNIST(MixedNational Institute of Standard and Technology database)這個非常簡單的機器視覺數(shù)據(jù)集,Tensorflow為我們進行了方便的封裝,可以直接加載MNIST數(shù)據(jù)成我們期望的格式.本程序使用Softmax Regression訓練手寫數(shù)字識別的分類模型.

先看完整代碼:

import tensorflow as tf 
from tensorflow.examples.tutorials.mnist import input_data 
 
mnist = input_data.read_data_sets("MNIST_data", one_hot=True) 
print(mnist.train.images.shape, mnist.train.labels.shape) 
print(mnist.test.images.shape, mnist.test.labels.shape) 
print(mnist.validation.images.shape, mnist.validation.labels.shape) 
 
#構(gòu)建計算圖 
x = tf.placeholder(tf.float32, [None, 784]) 
W = tf.Variable(tf.zeros([784, 10])) 
b = tf.Variable(tf.zeros([10])) 
y = tf.nn.softmax(tf.matmul(x, W) + b) 
y_ = tf.placeholder(tf.float32, [None, 10]) 
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1])) 
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy) 
 
#在會話sess中啟動圖 
sess = tf.InteractiveSession() #創(chuàng)建InteractiveSession對象 
tf.global_variables_initializer().run() #全局參數(shù)初始化器 
for i in range(1000): 
 batch_xs, batch_ys = mnist.train.next_batch(100) 
 train_step.run({x: batch_xs, y_: batch_ys}) 
 
#測試驗證階段 
#沿著第1條軸方向取y和y_的最大值的索引并判斷是否相等 
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) 
#轉(zhuǎn)換bool型tensor為float32型tensor并求平均即得到正確率 
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) 
print(accuracy.eval({x: mnist.test.images, y_: mnist.test.labels})) 

二、詳細解讀

首先看一下使用TensorFlow進行算法設(shè)計訓練的核心步驟

1.定義算法公式,也就是神經(jīng)網(wǎng)絡(luò)forward時的計算;

2.定義loss,選定優(yōu)化器,并制定優(yōu)化器優(yōu)化loss;

3.在訓練集上迭代訓練算法模型;

4.在測試集或驗證集上對訓練得到的模型進行準確率評測.

首先創(chuàng)建一個Placeholder,即輸入張量數(shù)據(jù)的地方,第一個參數(shù)是數(shù)據(jù)類型dtype,第二個參數(shù)是tensor的形狀shape.接下來創(chuàng)建SoftmaxRegression模型中的weights(W)和biases(b)的Variable對象,不同于存儲數(shù)據(jù)的tensor一旦使用掉就會消失,Variable在模型訓練迭代中是持久存在的,并且在每輪迭代中被更新Variable初始化可以是常量或隨機值.接下來實現(xiàn)模型算法y = softmax(Wx + b),TensorFlow語言只需要一行代碼,tf.nn包含了大量神經(jīng)網(wǎng)絡(luò)的組件,頭tf.matmul是矩陣乘法函數(shù).TensorFlow將模型中的forward和backward的內(nèi)容都自動實現(xiàn),只要定義好loss,訓練的時候會自動求導并進行梯度下降,完成對模型參數(shù)的自動學習.定義損失函數(shù)lossfunction來描述分類精度,對于多分類問題通常使用cross-entropy交叉熵.先定義一個placeholder輸入真實的label,tf.reduce_sum和tf.reduce_mean的功能分別是求和和求平均.構(gòu)造完損失函數(shù)cross-entropy后,再定義一個優(yōu)化算法即可開始訓練.我們采用隨機梯度下降SGD,定義好后TensorFlow會自動添加許多運算操作來實現(xiàn)反向傳播和梯度下降,而給我們提供的是一個封裝好的優(yōu)化器,只需要每輪迭代時feed數(shù)據(jù)給它就好.設(shè)置好學習率.

構(gòu)造階段完成后, 才能啟動圖. 啟動圖的第一步是創(chuàng)建一個 Session 對象或InteractiveSession對象, 如果無任何創(chuàng)建參數(shù), 會話構(gòu)造器將啟動默認圖.創(chuàng)建InteractiveSession對象會這個Session注冊為默認的Session,之后的運算也默認跑在這個Session里面,不同Session之間的數(shù)據(jù)和運算應該是相互獨立的.下一步使用TensorFlow的全局參數(shù)初始化器tf.global_variables_initializer病直接執(zhí)行它的run方法(這個全局參數(shù)初始化器應該是1.0.0版本中的新特性,在之前0.10.0版本測試不通過).

至此,以上定義的所有公式其實只是Computation Graph,代碼執(zhí)行到這時,計算還沒有實際發(fā)生,只有等調(diào)用run方法并feed數(shù)據(jù)時計算才真正執(zhí)行.

隨后一步,就可以開始迭代地執(zhí)行訓練操作train_step.這里每次都從訓練集中隨機抽取100條樣本構(gòu)成一個mini-batch,并feed給placeholder.

完成迭代訓練后,就可以對模型的準確率進行驗證.比較y和y_在各個測試樣本中最大值所在的索引,然后轉(zhuǎn)換為float32型tensor后求平均即可得到正確率.多次測試后得到在測試集上的正確率為92%左右.還是比較理想的結(jié)果.

三、其他補充

1.Sesssion類和InteractiveSession類

對于product =tf.matmul(matrix1, matrix2),調(diào)用 sess 的 'run()' 方法來執(zhí)行矩陣乘法 op, 傳入 'product' 作為該方法的參數(shù).上面提到, 'product' 代表了矩陣乘法 op 的輸出, 傳入它是向方法表明, 我們希望取回矩陣乘法 op 的輸出.整個執(zhí)行過程是自動化的, 會話負責傳遞op 所需的全部輸入. op 通常是并發(fā)執(zhí)行的.函數(shù)調(diào)用 'run(product)' 觸發(fā)了圖中三個 op (兩個常量 op 和一個矩陣乘法 op)的執(zhí)行.返回值 'result' 是一個 numpy的`ndarray`對象.

Session 對象在使用完后需要關(guān)閉以釋放資源sess.close(). 除了顯式調(diào)用 close 外, 也可以使用"with" 代碼塊 來自動完成關(guān)閉動作.

with tf.Session() as sess: 
 result = sess.run([product]) 
 print result 

為了便于使用諸如 IPython 之類的 Python 交互環(huán)境, 可以使用InteractiveSession代替 Session 類, 使用 Tensor.eval()和 Operation.run()方法代替 Session.run(). 這樣可以避免使用一個變量來持有會話.

# 進入一個交互式 TensorFlow 會話. 
import tensorflow as tf 
sess = tf.InteractiveSession() 
x = tf.Variable([1.0, 2.0]) 
a = tf.constant([3.0, 3.0]) 
# 使用初始化器 initializer op 的 run() 方法初始化 'x' 
x.initializer.run() 
# 增加一個減法 sub op, 從 'x' 減去 'a'. 運行減法 op, 輸出結(jié)果 
sub = tf.sub(x, a) 
print sub.eval() 
# ==> [-2. -1.] 

2.tf.reduce_sum

首先,tf.reduce_X一系列運算操作(operation)是實現(xiàn)對一個tensor各種減少維度的數(shù)學計算.

tf.reduce_sum(input_tensor, reduction_indices=None,keep_dims=False, name=None)

運算功能:沿著給定維度reduction_indices的方向降低input_tensor的維度,除非keep_dims=True,tensor的秩在reduction_indices上減1,被降低的維度的長度為1.如果reduction_indices沒有傳入?yún)?shù),所有維度都降低,返回只含有1個元素的tensor.運算最終返回降維后的tensor.

演示代碼:

# 'x' is [[1, 1, 1] 
#   [1, 1, 1]] 
tf.reduce_sum(x) ==> 6 
tf.reduce_sum(x, 0) ==> [2, 2, 2] 
tf.reduce_sum(x, 1) ==> [3, 3] 
tf.reduce_sum(x, 1, keep_dims=True) ==> [[3], [3]] 
tf.reduce_sum(x, [0, 1]) ==> 6 

3.tf.reduce_mean

tf.reduce_mean(input_tensor, reduction_indices=None,keep_dims=False, name=None)

運算功能:將input_tensor沿著給定維度reduction_indices減少維度,除非keep_dims=True,tensor的秩在reduction_indices上減1,被降低的維度的長度為1.如果reduction_indices沒有傳入?yún)?shù),所有維度都降低,返回只含有1個元素的tensor.運算最終返回降維后的tensor.

演示代碼:

# 'x' is [[1., 1. ] 
#   [2., 2.]] 
tf.reduce_mean(x) ==> 1.5 
tf.reduce_mean(x, 0) ==> [1.5, 1.5] 
tf.reduce_mean(x, 1) ==> [1., 2.] 

4.tf.argmax

tf.argmax(input, dimension, name=None)

運算功能:返回input在指定維度下的最大值的索引.返回類型為int64.

以上就是本文的全部內(nèi)容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。

最新評論