黑马程序员技术交流社区
标题: 【上海校区】Tensorflow应用快速入门(二) [打印本页]
作者: 梦缠绕的时候 时间: 2018-9-3 09:17
标题: 【上海校区】Tensorflow应用快速入门(二)
学习tensorflow先要了解它编码的流程,在此简要描述一下其流程,所有的TensorFlow训练神经网络的过程大致可以分为以下三个过程:
1、定义神经网络的结构和前向传播的输出结果。
2、定义损失函数以及选择反向传播优化的算法。
3、生成会话并且在训练数据上反复运行反向传播优化算法。
无论神经网络结构如何变化,这三个步骤是不变的。当然,每一步里面涉及到的方法和函数是比较复杂的,真正学好神经网络不止要了解大概,还要洞彻其细节部分。目前市面上的书籍讲的普遍比较浅显,稍微深入一些的,大多晦涩难懂。学习的过程最好是书籍和论文相结合,书籍以了解全貌,论文来深入细节,二者相辅相成,方可事半功倍。
下面以一段程序来简单体会一下这个过程(摘自TensorFlow实战深度学习框架):
import tensorflow as tf
from numpy.random import RandomState
#定义训练数据batch的大小
batch_size=8
#定义神经网络的参数
w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))
x=tf.placeholder(tf.float32,shape=(None,2),name='x-input')
y_=tf.placeholder(tf.float32,shape=(None,1),name='y-input')
#1、定义前向传播过程(省略激活函数)
a=tf.matmul(x,w1)
y=tf.matmul(a,w2) #y即是输出结果
#2、定义损失函数和反向传播的算法
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)
#通过随机数生成一个模拟数据集
rdm=RandomState(1)
dataset_size=128
X=rdm.rand(dataset_size,2)
#定义规则给出样本标签x1+x2<1被认为是正样本,其他为负样本
Y=[[int(x1+x2<1)] for (x1,x2) in X]
#创建一个会话运行tensorflow样例程序
with tf.Session() as sess:
#初始化所有变量
init_op = tf.global_variables_initializer()
sess.run(init_op)
print( sess.run(w1))
print(sess.run(w2))
#设定训练轮数
STEPS = 5000
for i in range(STEPS):
#每次选取batch_size个样本进行训练
start=(i*batch_size)%dataset_size
end = min(start+batch_size,dataset_size)
#3、通过选取的样本训练神经网络并更新参数
sess.run(train_step,feed_dict={x:X[start:end],y_:Y[start:end]})
#计算每隔一段时间在所有数据上的交叉商并输出,(可以设定阈值,满足条件则停止训练
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))
print( sess.run(w1)
print(sess.run(w2))
由以上代码可以看出,大体过程是与之前的描述一致的,但是却有一些小步骤,这些小步骤可以看作是每一个大步骤之前的预处理部分。下面以一张流程图来描述这个过程:
作者: 不二晨 时间: 2018-9-6 11:17
奈斯
欢迎光临 黑马程序员技术交流社区 (http://bbs.itheima.com/) |
黑马程序员IT技术论坛 X3.2 |