tensorflow Note

作者: 霞客环肥 | 来源:发表于2019-05-04 21:33 被阅读0次

1 搭建步骤（单层感知机）

输入和标签 tf.placeholder

x = tf.placeholder(tf.float32, [None, 28, 28, 1])
t = tf.placeholderI(tf.float32, [None, 10])

x = tf.reshape(x, [-1, 784])

定义参数变量及初始化 tf.Variable

w = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

init_op = tf.global_variables_initializer()

定义模型

y = tf.nn.softmax(tf.matmul(x, w) + b)

确定损失函数

cross_entropy = -tf.reduce_mean(t * tf.log(y))

关于精度

is_correct = tf.equal(tf.argmax(y, 1), tf.argmax(t, 1))
accuracy = tf.reduce_mean(is_correct, tf.float32)

优化算法

optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.003)
train_step = optimiser.minimize(cross_entropy)

训练模型
7.1 参数初始化

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

7.2 迭代的执行train_step

with tf.Session() as sess:
  for step in range(1000):
    batch_xs,  batch_ys = mnist.train.next_batch(100)
    sess.run(train_step, feed_dict={x: batch_xs, t: batch_ys})

    if step%100 == 0:
      acc, loss = sess.run([accuracy, cross_entropy],
                                        feed_dict={x: batch_xs, t: batch_ys})
      acc, loss = sess.run([accuracy, cross_entropy],
                                        feed_dict={x:mnist.test.images, t: mnist.test.labels})

2 搭建步骤（多层感知机）

输入和标签 tf.placeholder

x = tf.placeholder(tf.float32, [None, 28, 28, 1])
t = tf.placeholderI(tf.float32, [None, 10])

x = tf.reshape(x, [-1, 784])

定义参数变量及初始化 tf.Variable, 如果使用ReLU 激活函数，偏置向量常常初始化为小的正值，使得神经元在一
开始就会工作在ReLU 的非零区域内。

K = 200
L = 100
M = 60
N = 30

w1 = tf.Variable(tf.truncated_normal([784, K], stddev = 0.1))
b1= tf.Variable(tf.ones([K]/10))

w2 = tf.Variable(tf.truncated_normal([K, L], stddev = 0.1))
b2= tf.Variable(tf.ones([L]/10))

w3 = tf.Variable(tf.truncated_normal([L, M], stddev = 0.1))
b3= tf.Variable(tf.ones([M]/10))

w4 = tf.Variable(tf.truncated_normal([M, N], stddev = 0.1))
b4= tf.Variable(tf.ones([N]/10))

w5 = tf.Variable(tf.truncated_normal([N, 10], stddev = 0.1))
b5= tf.Variable(tf.ones([10]/10))

init_op = tf.global_variables_initializer()

定义模型, 在训练时对隐藏层的输出实施dropout 操作，以1 - pkeep
的概率随机丢弃神经元的输出，并在反向传播梯度时不再更新相应的权重。而在推理时恢
复所有神经元的输出，间接改善了网络的泛化能力。

pkeerp = tf.placeholder(tf.float32)

y1 = tf.nn.relu(tf.matmul(x, w1) + b1)
y1d = tf.nn.dropout(y1, pkeep)

y2 = tf.nn.relu(tf.matmul(y1, w2) + b2)
y2d = tf.nn.dropout(y2, pkeep)

y3 = tf.nn.relu(tf.matmul(y2, w3) + b3)
y3d = tf.nn.dropout(y3, pkeep)

y4 = tf.nn.relu(tf.matmul(y3, w4) + b4)
y4d = tf.nn.dropout(y4, pkeep)

y = tf.nn.softmax(tf.matmul(y4, w5) + b5)

确定损失函数

logits = tf.matmul(y4, w5) + b5
cross_entropy = tf.nn.softmax_cross_entropy_with_logits(logits = logits, labels=t)

关于精度

is_correct = tf.equal(tf.argmax(y, 1), tf.argmax(t, 1))
accuracy = tf.reduce_mean(is_correct, tf.float32)

优化算法, 可以采用更好的优化算法，例如AdamOptimizer。随着迭代过程的次数，学习速率将指
数级衰减，在模型训练后期可以得到一个更稳定的精度和损失曲线。

lr = tf.placeholder(tf.float32)
optimizer = tf.train.AdamOptimizer(lr)
train_step = optimiser.minimize(cross_entropy)

关于学习率的衰减，

def lr(step):
  max_lr = 0.003
  min_lr = 0.0001
  decay_speed = 2000.0

  return min_lr + (max_lr - min_lr)*math.exp(-step/decay_speed)

训练模型
回顾上述，共有4个placeholder, 所以在feed_dict时，需要给喂入4个数据。
7.1 参数初始化

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

7.2 迭代的执行train_step

with tf.Session() as sess:
  for step in range(1000):
    batch_xs,  batch_ys = mnist.train.next_batch(100)
    sess.run(train_step, feed_dict={x: batch_xs, t: batch_ys, pkeep:0.75, lr:lr(step)})

    #在测试时，dropout取的概率取1，即保留所有的神经元。
    if step%100 == 0:
      acc, loss = sess.run([accuracy, cross_entropy],
                                        feed_dict={x: batch_xs, t: batch_ys, pkeep: 1})
     
      acc, loss = sess.run([accuracy, cross_entropy],
                                        feed_dict={x:mnist.test.images, t: mnist.test.labels, pkeep: 1 })

3 搭建步骤（卷积神经网络）

输入和标签 tf.placeholder

x = tf.placeholder(tf.float32, [None, 28, 28, 1])
t = tf.placeholderI(tf.float32, [None, 10])

x = tf.reshape(x, [-1, 784])

定义参数变量及初始化 tf.Variable, 如果使用ReLU 激活函数，偏置向量常常初始化为小的正值，使得神经元在一
开始就会工作在ReLU 的非零区域内。

K = 6
L = 12
M = 24
N = 200

w1 = tf.Variable(tf.truncated_normal([6, 6, 1, K], stddev = 0.1))
b1= tf.Variable(tf.ones([K]/10))

w2 = tf.Variable(tf.truncated_normal([5, 5, K, L], stddev = 0.1))
b2= tf.Variable(tf.ones([L]/10))

w3 = tf.Variable(tf.truncated_normal([4, 4, L, M], stddev = 0.1))
b3= tf.Variable(tf.ones([M]/10))

w4 = tf.Variable(tf.truncated_normal([7*7*M, N], stddev = 0.1))
b4= tf.Variable(tf.ones([N]/10))

w5 = tf.Variable(tf.truncated_normal([N, 10], stddev = 0.1))
b5= tf.Variable(tf.ones([10]/10))

init_op = tf.global_variables_initializer()

定义模型, 在训练时对全连接层的输出实施dropout 操作，以1 - pkeep
的概率随机丢弃神经元的输出，并在反向传播梯度时不再更新相应的权重。而在推理时恢
复所有神经元的输出，间接改善了网络的泛化能力。

pkeerp = tf.placeholder(tf.float32)

y1 = tf.nn.relu(tf.nn.conv2d(x, w1, stride = [1, 1, 1, 1], padding = 'SAME') + b1)

y2 = tf.nn.relu(tf.nn.conv2d(y1, w2, stride = [1, 2, 2, 1], padding='SAME')+ b2)

y3 = tf.nn.relu(tf.nn.conv2d(y2, w3, stride=[1, 2, 2, 1], padding='SAME') + b3)

yy = tf.reshape(y3, shape=[-1, 7*7*M])
y4 = tf.nn.relu(tf.matmul(yy, w4) + b4)
y4d = tf.nn.dropout(y4, pkeep)

logits  = tf.matmul(y4, w5) + b5
y = tf.nn.softmax(tf.matmul(y4, w5) + b5)

确定损失函数

cross_entropy = tf.nn.softmax_cross_entropy_with_logits(logits = logits, labels=t)

关于精度

is_correct = tf.equal(tf.argmax(y, 1), tf.argmax(t, 1))
accuracy = tf.reduce_mean(is_correct, tf.float32)

优化算法, 可以采用更好的优化算法，例如AdamOptimizer。随着迭代过程的次数，学习速率将指
数级衰减，在模型训练后期可以得到一个更稳定的精度和损失曲线。

lr = tf.placeholder(tf.float32)
optimizer = tf.train.AdamOptimizer(lr)
train_step = optimiser.minimize(cross_entropy)

关于学习率的衰减，

def lr(step):
  max_lr = 0.003
  min_lr = 0.0001
  decay_speed = 2000.0

  return min_lr + (max_lr - min_lr)*math.exp(-step/decay_speed)

训练模型
回顾上述，共有4个placeholder, 所以在feed_dict时，需要给喂入4个数据。
7.1 参数初始化

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

7.2 迭代的执行train_step

with tf.Session() as sess:
  for step in range(1000):
    batch_xs,  batch_ys = mnist.train.next_batch(100)
    sess.run(train_step, feed_dict={x: batch_xs, t: batch_ys, pkeep:0.75, lr:lr(step)})

    #在测试时，dropout取的概率取1，即保留所有的神经元。
    if step%100 == 0:
      acc, loss = sess.run([accuracy, cross_entropy],
                                        feed_dict={x: batch_xs, t: batch_ys, pkeep: 1})
     
      acc, loss = sess.run([accuracy, cross_entropy],
                                        feed_dict={x:mnist.test.images, t: mnist.test.labels, pkeep: 1 })

4 tensorflow语句笔记

生成在[minval, maxval)之间，符合均匀分布的数组。

tf.random.uniform(
shape,
minval=0,
maxval=None,
dtype=tf.dtypes.float32,
seed=None,
name=None
)

生成截断正规分布随机数组。

tf.random.truncated_normal(
shape,
mean=0.0,
stddev=1.0,
dtype=tf.dtypes.float32,
seed=None,
name=None
)

每一层都创建于一个唯一的tf.name_scope之下，创建于该作用域之下的所有元素都将带有其前缀。

with tf.name_scope('hidden1') as scope:

在张量中插入一维。axis表示插入这一维的位置。

tf.expand_dims(
input,
axis=None,
name=None,
dim=None
)

全局实例tf.Graph

with tf.Graph().as_default():

读取变量是：文件名列表 + 内存列表
其中文件名列表使用tf.train.string_input_producer，传入的是文件名list，返回文件名列表。

tf.train.string_input_producer(
string_tensor,
num_epochs=None,
shuffle=True,
seed=None,
capacity=32,
shared_name=None,
name=None,
cancel_op=None
)

开始将数据喂入的语句是，tf.train.start_queue_runners。

网友评论

本文标题：tensorflow Note

本文链接：https://www.haomeiwen.com/subject/iixnnqtx.html

延伸阅读

深度阅读

您也可以注册成为美文阅读网的作者，发表您的原创作品、分享您的心情！

tensorflow Note

1 搭建步骤（单层感知机）

2 搭建步骤（多层感知机）

3 搭建步骤（卷积神经网络）

4 tensorflow语句笔记

相关文章

网友评论

延伸阅读

深度阅读

栏目导航

热点阅读