做网站 租服务器吗,开发公司仓库管理工作流程,电子商城有哪些,wordpress文字围绕图片【TensorFlow1.X】系列学习笔记【入门二】 大量经典论文的算法均采用 TF 1.x 实现, 为了阅读方便, 同时加深对实现细节的理解, 需要 TF 1.x 的知识 文章目录 【TensorFlow1.X】系列学习笔记【入门二】前言神经网络的参数神经网络的搭建前向传播反向传播 总结 前言
学习了张量、…【TensorFlow1.X】系列学习笔记【入门二】 大量经典论文的算法均采用 TF 1.x 实现, 为了阅读方便, 同时加深对实现细节的理解, 需要 TF 1.x 的知识 文章目录 【TensorFlow1.X】系列学习笔记【入门二】前言神经网络的参数神经网络的搭建前向传播反向传播 总结 前言
学习了张量、计算图、会话等基础知识下一步就是实现神经网络的搭建了本篇博文将讲解搭建神经网络的过程并简练总结搭建八股。【参考】 神经网络的参数
神经网络的参数是指在神经网络模型中需要学习的可调整值。这些参数用于调整模型的行为定了神经网络的行为和性能使其能够更好地拟合训练数据和进行预测。 在典型的神经网络中参数主要存在于两个部分用变量表示
权重(Weights) 权重是连接神经网络中不同层的神经元之间的参数。每个连接都有一个关联的权重用于调整信息在网络中的传递。权重决定了每个输入对于特定神经元的重要性。在训练过程中神经网络通过优化算法来调整权重以最小化预测输出与实际输出之间的差距。偏置(Biases) 偏置是神经元的可调整参数用于调整神经元的激活阈值。每个神经元都有一个关联的偏置值它在计算神经元的输出时被加到加权输入上。偏置允许神经元对不同的输入模式做出不同的响应。
这些权重和偏置参数是在训练过程中学习的通过反向传播算法和优化方法(如梯度下降)来更新,训练过程旨在最小化损失函数以使神经网络能够更准确地进行预测。
在 TensorFlow 1.x 中可以使用以下方法来初始化神经网络的参数
方法功能tf.random_normal()生成正态分布随机数tf.truncated_normal()生成去掉过大偏离点的正态分布随机数tf.random_uniform()生成均匀分布随机数tf.random_uniform()生成均匀分布随机数tf.zeros表示生成全 0 数组tf.ones表示生成全 1 数组tf.fill表示生成全定值数组tf.constant表示生成直接给定值的数组
import tensorflow as tf
w tf.Variable(tf.random_normal([2,3], stddev2, mean0, seed1))
# tf.Variable Variable:0 shape(2, 3) dtypefloat32_ref
w tf.Variable(tf.truncated_normal([2,3], stddev2, mean0, seed1))
# tf.Variable Variable_1:0 shape(2, 3) dtypefloat32_ref
w tf.random_uniform([2,3], minval0, maxval1, dtypetf.int32, seed1)
# Tensor(random_uniform:0, shape(2, 3), dtypeint32)
w tf.zeros([3,2], tf.int32)
# Tensor(zeros:0, shape(3, 2), dtypeint32)
w tf.ones([3,2], tf.int32)
# Tensor(ones:0, shape(3, 2), dtypeint32)
w tf.fill([3,2], 6)
# Tensor(Fill:0, shape(3, 2), dtypeint32)
w tf.constant([3,2])
# Tensor(Const:0, shape(2,), dtypeint32)注意①随机种子如果去掉每次生成的随机数将不一致②如果没有特殊要求标准差、均值、随机种子是可以不写的。 神经网络的搭建
神经网络模型的实现过程
准备数据集作为神经网络模型的训练\测试数据前向传播搭建模型结构先搭建计算图再用会话执行计算输出反向传播模型学习到大量特征数据迭代优化模型参数完成训练验证模型精度
由此可见基于深度学主要分为两个过程即训练过程和使用过程。 训练过程是第一步、第二步、第三步的循环迭代使用过程是第四步一旦参数优化完成就可以固定这些参数实现特定应用了。当前很多实际应用中会优先使用现有的成熟可靠的模型结构用个人的数据集训练模型判断是否能对个人数据集作出正确响应再适当更改网络结构反复迭代让机器自动训练参数找出最优结构和参数以固定专用模型。
前向传播
前向传播就是搭建模型的计算过程让模型具有推理能力可以针对一组输入给出相应的输出。 举个案例假如快递运输费用体积为 x1重量为 x2体积和重量就是我们选择的特征把它们输入到神经网络当体积和重量这组数据走过神经网络后会得到一个输出即费用。 假如输入的特征值是体积 0.7 重量 0.5 由图可知隐藏层节点 a11x1w11x2w210.140.150.29同理算得节点 a120.32a130.38最终计算得到输出层 Y-0.015这便实现了前向传播过程。
前向传播过程的 tensorflow 描述
输入层 X X X是 n × 2 {\rm{n}} \times 2 n×2的矩阵表示一次输入 n n n组特征这组特征包含了体积和重量两个元素。x tf.placeholder(tf.float32, shape(None, 2))隐藏层 W ( F r o n t N o d e N u m b e r , R e a r N o d e N u m b e r ) ( l a y e r s ) W_{(F{\rm{rontNodeNumber}},R{\rm{earNodeNumber)}}}^{({\rm{layers}})} W(FrontNodeNumber,RearNodeNumber)(layers)是待优化的参数对于第一计算层的 w ( 1 ) {w^{({\rm{1}})}} w(1)前面有两个节点后面有三个节点 w ( 1 ) {w^{({\rm{1}})}} w(1)是个两行三列矩阵 W ( 1 ) [ w ( 1 , 1 ) ( 1 ) w ( 1 , 2 ) ( 1 ) w ( 1 , 3 ) ( 1 ) w ( 2 , 1 ) ( 1 ) w ( 2 , 2 ) ( 1 ) w ( 2 , 3 ) ( 1 ) ] {W^{(1)}} \left[ {\begin{array}{cc} {w_{(1,1{\rm{)}}}^{(1)}}{w_{(1,2{\rm{)}}}^{(1)}}{w_{(1,3{\rm{)}}}^{(1)}}\\ {w_{(2,1{\rm{)}}}^{(1)}}{w_{(2,2{\rm{)}}}^{(1)}}{w_{(2,3{\rm{)}}}^{(1)}} \end{array}} \right] W(1)[w(1,1)(1)w(2,1)(1)w(1,2)(1)w(2,2)(1)w(1,3)(1)w(2,3)(1)]即 a ( 1 ) [ a 11 , a 12 , a 13 ] X W ( 1 ) {a^{\left( 1 \right)}} \left[ {{a_{11}},{\rm{ }}{a_{12}},{\rm{ }}{a_{13}}} \right] X{W^{(1)}} a(1)[a11,a12,a13]XW(1) 对于第二计算层的 w ( 2 ) {w^{({\rm{2}})}} w(2)前面有三个节点后面有1个节点 w ( 2 ) {w^{({\rm{2}})}} w(2)是个三行一列矩阵 W ( 2 ) [ w ( 1 , 1 ) ( 2 ) w ( 2 , 1 ) ( 2 ) w ( 3 , 1 ) ( 2 ) ] {W^{(2)}} \left[ {\begin{array}{cc} {w_{(1,1{\rm{)}}}^{(2)}}\\ {w_{(2,1{\rm{)}}}^{(2)}}\\ {w_{(3,1{\rm{)}}}^{(2)}} \end{array}} \right] W(2) w(1,1)(2)w(2,1)(2)w(3,1)(2) ,即 y a ( 1 ) W ( 1 ) {y} {a^{\left( 1 \right)}}{W^{(1)}} ya(1)W(1)。a tf.matmul(x, w1)
y tf.matmul(a, w2)神经网络共有几层(或当前是第几层网络)都是指的计算层所有的计算层统称为隐藏层而隐藏层的计算层计算出结果通常称做中间特征不要错把这些当作隐藏层。 完整的前向传播代码。
import tensorflow as tf# 定义输入和参数
# 用tf.placeholder定义输入在sess.run函数中要用feed_dict指定输入
x tf.placeholder(tf.float32, shape(None, 2))
w1 tf.Variable(tf.random_normal([2, 3], stddev1, seed1))
w2 tf.Variable(tf.random_normal([3, 1], stddev1, seed1))# 定义前向传播过程
a tf.matmul(x, w1)
y tf.matmul(a, w2)# 汇总所有待优化变量
init_op tf.global_variables_initializer()# 调用会话计算结果
# 变量初始化、计算图节点运算都要用会话(with结构)实现
with tf.Session() as sess:# 在sess.run函数中变量初始化sess.run(init_op)# 在sess.run函数中计算图节点运算print(the result of tf3_5.py is:\n,sess.run(y, feed_dict{x: [[0.7,0.5],[0.2,0.3],[0.3,0.4],[0.4,0.5]]}))print(w1:\n, sess.run(w1))print(w2:\n, sess.run(w2))
反向传播
反向传播训练模型参数在所有参数上用梯度下降使 NN 模型在训练数据上的损失函数最小。 反向传播过程的 tensorflow 描述
损失函数(loss)计算得到的预测值 y 与已知真实值 y_的误差。均方误差 MSE 是比较常用的方法之一它计算前向传播求出的预测值与已知真实值之差的平方再求平均 M S E ( y _ , y ) ∑ i 1 n ( y − y _ ) 2 n MSE(y\_,y) \frac{{\sum\nolimits_{i 1}^n {{{(y - y\_)}^2}} }}{n} MSE(y_,y)n∑i1n(y−y_)2loss_mse tf.reduce_mean(tf.square(y-y_)) 反向传播优化方法以减小 loss 值为优化目标常见的三种有随机梯度下降、momentum 优化器、adam优化器等优化方法。# 学习率(learning_rate):决定每次参数更新的幅度。
train_step tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)
train_step tf.train.MomentumOptimizer(learning_rate, momentum).minimize(loss)
train_step tf.train.AdamOptimizer(learning_rate).minimize(loss)方法功能tf.train.GradientDescentOptimizer()梯度下降用于最小化损失函数。它通过计算损失函数关于每个可训练参数的梯度并将参数沿着梯度的反方向进行更新以减少损失函数的值。tf.train.MomentumOptimizer()动量优化器在梯度下降的基础上引入了动量的概念以加速训练过程它通过累积之前梯度的方向来更新参数以减少损失函数的值。tf.train.AdamOptimizer()结合了动量优化器和自适应学习率的思想。它根据梯度的平均值和方差来自适应地调整学习率以在训练过程中更好地适应不同参数的变化以减少损失函数的值。
完整的反向传播代码。
# coding:utf-8
# 0导入模块生成模拟数据集。
import tensorflow as tf
import numpy as np# 每次训练的数量
BATCH_SIZE 8
SEED 23455# 基于seed产生随机数
rdm np.random.RandomState(SEED)
# 随机数返回32行2列的矩阵 表示32组 体积和重量 作为输入数据集
X rdm.rand(32, 2)
# 从X这个32行2列的矩阵中 取出一行 判断如果和小于1 给Y赋值1 如果和不小于1 给Y赋值0
# 作为输入数据集的标签(正确答案)
Y_ [[int(x0*0.5x1*0.8)] for (x0, x1) in X]# 定义神经网络的输入、参数和输出,定义前向传播过程。
x tf.placeholder(tf.float32, shape(None, 2))
y_ tf.placeholder(tf.float32, shape(None, 1))w1 tf.Variable(tf.random_normal([2, 3], stddev1, seed1))
w2 tf.Variable(tf.random_normal([3, 1], stddev1, seed1))a tf.matmul(x, w1)
y tf.matmul(a, w2)# 定义损失函数及反向传播方法。
loss_mse tf.reduce_mean(tf.square(y - y_))
train_step tf.train.GradientDescentOptimizer(0.001).minimize(loss_mse)
# train_step tf.train.MomentumOptimizer(0.001,0.9).minimize(loss_mse)
# train_step tf.train.AdamOptimizer(0.001).minimize(loss_mse)# 生成会话训练STEPS轮
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(w1:\n, sess.run(w1))print(w2:\n, sess.run(w2))# 训练模型# 悬链次数STEPS 3000for i in range(STEPS):# 随机选取一组batchsize为8的数据段start (i * BATCH_SIZE) % 32end start BATCH_SIZEsess.run(train_step, feed_dict{x: X[start:end], y_: Y_[start:end]})if i % 500 0:total_loss sess.run(loss_mse, feed_dict{x: X, y_: Y_})print(After %d training step(s), loss_mse on all data is %g % (i, total_loss))# 输出训练后的参数取值。print(w1:\n, sess.run(w1))print(w2:\n, sess.run(w2))总结
梳理出神经网络搭建的八股搭建过程分四步完成准备工作、前向传播、反向传播和循环迭代
导入模块生成模拟数据集前向传播定义输入、参数和输出反向传播定义损失函数、反向传播方法生成会话训练n轮。
