TensorFlow平臺(tái)下Python實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)

本篇文章主要通過一個(gè)簡(jiǎn)單的例子來實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)。訓(xùn)練數(shù)據(jù)是隨機(jī)產(chǎn)生的模擬數(shù)據(jù)集，解決二分類問題。

下面我們首先說一下，訓(xùn)練神經(jīng)網(wǎng)絡(luò)的一般過程：

1.定義神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和前向傳播的輸出結(jié)果

2.定義損失函數(shù)以及反向傳播優(yōu)化的算法

3.生成會(huì)話(Session)并且在訓(xùn)練數(shù)據(jù)上反復(fù)運(yùn)行反向傳播優(yōu)化算法

要記住的一點(diǎn)是，無論神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如何變化，以上三個(gè)步驟是不會(huì)改變的。

完整代碼如下：

import tensorflow as tf 
#導(dǎo)入TensorFlow工具包并簡(jiǎn)稱為tf 
 
from numpy.random import RandomState 
#導(dǎo)入numpy工具包，生成模擬數(shù)據(jù)集 
 
batch_size = 8 
#定義訓(xùn)練數(shù)據(jù)batch的大小 
 
w1 = tf.Variable(tf.random_normal([2,3],stddev=1,seed=1)) 
w2 = tf.Variable(tf.random_normal([3,1],stddev=1,seed=1)) 
#分別定義一二層和二三層之間的網(wǎng)絡(luò)參數(shù)，標(biāo)準(zhǔn)差為1，隨機(jī)產(chǎn)生的數(shù)保持一致 
 
x = tf.placeholder(tf.float32,shape=(None,2),name='x-input') 
y_ = tf.placeholder(tf.float32,shape=(None,1),name='y-input') 
#輸入為兩個(gè)維度，即兩個(gè)特征，輸出為一個(gè)標(biāo)簽,聲明數(shù)據(jù)類型float32，None即一個(gè)batch大小 
#y_是真實(shí)的標(biāo)簽 
 
a = tf.matmul(x,w1) 
y = tf.matmul(a,w2) 
#定義神經(jīng)網(wǎng)絡(luò)前向傳播過程 
 
cross_entropy = -tf.reduce_mean(y_ * tf.log(tf.clip_by_value(y,1e-10,1.0))) 
train_step = tf.train.AdamOptimizer(0.001).minimize(cross_entropy) 
#定義損失函數(shù)和反向傳播算法 
 
rdm = RandomState(1) 
dataset_size = 128 
#產(chǎn)生128組數(shù)據(jù) 
X = rdm.rand(dataset_size,2) 
Y = [[int(x1+x2 < 1)] for (x1,x2) in X] 
#將所有x1+x2<1的樣本視為正樣本，表示為1；其余為0 
 
#創(chuàng)建會(huì)話來運(yùn)行TensorFlow程序 
with tf.Session() as sess: 
 init_op = tf.global_variables_initializer() 
 #初始化變量 
 sess.run(init_op) 
 
 print(sess.run(w1)) 
 print(sess.run(w2)) 
 #打印出訓(xùn)練網(wǎng)絡(luò)之前網(wǎng)絡(luò)參數(shù)的值 
 
 STEPS = 5000 
 #設(shè)置訓(xùn)練的輪數(shù) 
 for i in range(STEPS): 
  start = (i * batch_size) % dataset_size 
  end = min(start+batch_size,dataset_size) 
 #每次選取batch_size個(gè)樣本進(jìn)行訓(xùn)練 
  
  sess.run(train_step,feed_dict={x:X[start:end],y_:Y[start:end]}) 
 #通過選取的樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)并更新參數(shù) 
  
  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)) 
 #每隔一段時(shí)間計(jì)算在所有數(shù)據(jù)上的交叉熵并輸出，隨著訓(xùn)練的進(jìn)行，交叉熵逐漸變小 
 
 print(sess.run(w1)) 
 print(sess.run(w2)) 
 #打印出訓(xùn)練之后神經(jīng)網(wǎng)絡(luò)參數(shù)的值 

運(yùn)行結(jié)果如下：

結(jié)果說明：

首先是打印出訓(xùn)練之前的網(wǎng)絡(luò)參數(shù)，也就是隨機(jī)產(chǎn)生的參數(shù)值，然后將訓(xùn)練過程中每隔1000次的交叉熵輸出，發(fā)現(xiàn)交叉熵在逐漸減小，說明分類的性能在變好。最后是訓(xùn)練網(wǎng)絡(luò)結(jié)束后網(wǎng)絡(luò)的參數(shù)。

分享一個(gè)圖形化神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程的網(wǎng)站：點(diǎn)這里,可以自己定義網(wǎng)絡(luò)參數(shù)的大小，層數(shù)以及學(xué)習(xí)速率的大小，并且訓(xùn)練過程會(huì)以很直觀的形式展示出來。比如：

以上對(duì)于神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程可以有一個(gè)很深刻的理解。

最后，再補(bǔ)充一些TensorFlow相關(guān)的知識(shí)：

1.TensorFlow計(jì)算模型－計(jì)算圖

       Tensor表示張量，可以簡(jiǎn)單的理解為多維數(shù)據(jù)結(jié)構(gòu)；Flow則體現(xiàn)了它的計(jì)算模型。Flow翻譯過來是“流”，它直觀地表達(dá)了張量之間通過計(jì)算相互轉(zhuǎn)換的過程。TensorFlow中的每一個(gè)計(jì)算都是計(jì)算圖上的一個(gè)節(jié)點(diǎn)，而節(jié)點(diǎn)之間的邊描述了計(jì)算之間的依賴關(guān)系。

指定GPU方法，命令如下：

import tensorflow as tf
a = tf.constant([1.0,2.0],name=“a”)
b = tf.constant([3.0,4.0],name=“b”)
g = tf.Graph()
with g.device(/gpu:0):
result = a + b
sess = tf.Session()
sess.run(result)

2.TensorFlow數(shù)據(jù)模型－張量

      張量是管理數(shù)據(jù)的形式。零階張量表示標(biāo)量，第一階張量為向量，也就是一維數(shù)組，一般來說，第n階張量可以理解為一個(gè)n維數(shù)組。張量本身不存儲(chǔ)運(yùn)算的結(jié)果，它只是得到對(duì)結(jié)果的一個(gè)引用?？梢允褂胻f.Session().run(result)語句來得到計(jì)算結(jié)果。

3.TensorFlow運(yùn)行模型－會(huì)話

我們使用session來執(zhí)行定義好的運(yùn)算。

主要有以下兩種方式，第一種會(huì)產(chǎn)生內(nèi)存泄漏，第二種不會(huì)有這種問題。

＃創(chuàng)建一個(gè)會(huì)話
sess = tf.Session()
sess.run(…)
#關(guān)閉會(huì)話使得本次運(yùn)行中使用的資源得到釋放
sess.close()

第二種方式是通過Python的上下文資源管理器來使用會(huì)話。

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

此種方式自動(dòng)關(guān)閉和自動(dòng)進(jìn)行資源的釋放

4.TensorFlow－神經(jīng)網(wǎng)絡(luò)例子

使用神經(jīng)網(wǎng)絡(luò)解決分類問題可以分為以下四個(gè)步驟：
①提取問題中實(shí)體的特征向量作為輸入。
②定義神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，并定義如何從神經(jīng)網(wǎng)絡(luò)的輸入得到輸出。這個(gè)過程就是神經(jīng)網(wǎng)絡(luò)的前向傳播算法。
③通過訓(xùn)練數(shù)據(jù)來調(diào)整神經(jīng)網(wǎng)絡(luò)中參數(shù)的設(shè)置，這就是訓(xùn)練網(wǎng)絡(luò)的過程。
④使用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)未知的數(shù)據(jù)  

在TensorFlow中聲明一個(gè)2*3的矩陣變量的方法：

weight ＝ tf.Variable(tf.random_normal([2,3],stddev=2))

 即表示為方差為0、標(biāo)準(zhǔn)差為2的正態(tài)分布

在TensorFlow中，一個(gè)變量的值在被使用之前，這個(gè)變量的初始化過程需要被明確調(diào)用。一下子初始化所有的變量

sess = tf.Session()
init_op = tf.initialize_all_variables()

或者換成init_op = tf.global_variables_initializer()也可

sess.run(init_op)

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持億速云。