之前在基于Tensorflow的神经网络解决用户流失概率问题写了一个MLPs的网络，很多人在问，其实这个网络看起来很清晰，但是却写的比较冗长，这边优化了一个版本更方便大家修改后直接使用。
多层感知机网络
直接和大家过一遍核心部分：
din_all = tf.layers.batch_normalization(inputs=din_all, name='b1')
layer_1 = tf.layers.dense(din_all, self.layers_nodes[0], activation=tf.nn.sigmoid,use_bias=True,kernel_regularizer=tf.contrib.layers.l2_regularizer(self.regularzation_rate),name='f1')
layer_1 = tf.nn.dropout(layer_1, keep_prob=self.drop_rate[0])
layer_2 = tf.layers.dense(layer_1, self.layers_nodes[1], activation=tf.nn.sigmoid,use_bias=True,kernel_regularizer=tf.contrib.layers.l2_regularizer(self.regularzation_rate),name='f2')
layer_2 = tf.nn.dropout(layer_2, keep_prob=self.drop_rate[1])
layer_3 = tf.layers.dense(layer_2, self.layers_nodes[2], activation=tf.nn.sigmoid,use_bias=True,kernel_regularizer=tf.contrib.layers.l2_regularizer(self.regularzation_rate),name='f3')
上次我们计算过程中，通过的是先定义好多层网络中每层的weight，在通过tf.matual进行层与层之间的计算，最后再通过tf.contrib.layers.l2_regularizer进行正则；而这次我们直接通过图像识别中经常使用的全连接（FC）的接口，只需要确定每层的节点数，通过layers_nodes进行声明，自动可以计算出不同层下的weight，更加清晰明了。另外，还增加了dropout的部分，降低过拟合的问题。
tf.layers.dense接口信息如下：
tf.layers.dense(
inputs,
units,
activation=None,
use_bias=True,
kernel_initializer=None,
bias_initializer=tf.zeros_initializer(),
kernel_regularizer=None,
bias_regularizer=None,
activity_regularizer=None,
kernel_constraint=None,
bias_constraint=None,
trainable=True,
name=None,
reuse=None
)
- inputs：必需，即需要进行操作的输入数据。
- units：必须，即神经元的数量。
- activation：可选，默认为 None，如果为 None 则是线性激活。
- use_bias：可选，默认为 True，是否使用偏置。
- kernel_initializer：可选，默认为 None，即权重的初始化方法，如果为 None，则使用默认的 Xavier 初始化方法。
- bias_initializer：可选，默认为零值初始化，即偏置的初始化方法。
- kernel_regularizer：可选，默认为 None，施加在权重上的正则项。
- bias_regularizer：可选，默认为 None，施加在偏置上的正则项。
- activity_regularizer：可选，默认为 None，施加在输出上的正则项。
- kernel_constraint，可选，默认为 None，施加在权重上的约束项。
- bias_constraint，可选，默认为 None，施加在偏置上的约束项。
- trainable：可选，默认为 True，布尔类型，如果为 True，则将变量添加到 GraphKeys.TRAINABLE_VARIABLES 中。
- name：可选，默认为 None，卷积层的名称。
- reuse：可选，默认为 None，布尔类型，如果为 True，那么如果 name 相同时，会重复利用。
除此之外，之前我们定义y和y_的时候把1转化为[1,0]，转化为了[0,1]，增加了工程量，这次我们通过：
cross_entropy_mean = -tf.reduce_mean(self.y_ * tf.log(self.output + 1e-24))
self.loss = cross_entropy_mean
直接进行计算，避免了一些无用功。
最后，之前对于梯度的值没有进行限制，会导致整体模型的波动过大，这次优化中也做了修改，如果大家需要也可以参考一下：
# 我们用learning_rate_base作为速率η，来训练梯度下降的loss函数解，对梯度进行限制后计算loss
opt = tf.train.GradientDescentOptimizer(self.learning_rate_base)
trainable_params = tf.trainable_variables()
gradients = tf.gradients(self.loss, trainable_params)
clip_gradients, _ = tf.clip_by_global_norm(gradients, 5)
self.train_op = opt.apply_gradients(zip(clip_gradients, trainable_params), global_step=self.global_step)
MLPs是入门级别的神经网络算法，实际的工业开发中使用的频率也不高，后面我准备和大家过一下常见的FM、FFM、DeepFM、NFM、DIN、MLR等在工业开发中更为常见的网络，欢迎大家持续关注。
完整代码已经上传到Github中。
欢迎大家关注我的个人bolg，更多代码内容欢迎follow我的个人Github，如果有任何算法、代码疑问都欢迎通过公众号发消息给我哦。
网友评论