tensorflow：实战Google深度学习框架第三章

tensorflow的计算模型：计算图–tf.Graph 
tensorflow的数据模型：张量–tf.Tensor 
tensorflow的运行模型：会话–tf.Session 
tensorflow可视化工具：TensorBoard 

经过集合管理资源：tf.add_to_collection、tf.get_collection 

Tensor主要三个属性：名字(name)、维度(shape)、类型(type) 

 

#张量,能够简单的理解为多维数组

import tensorflow as tf a = tf.constant([1.0,2.0],name='a') b = tf.constant([3.0,4.0],name='b') result = tf.add(a,b,name="add") print(result) 输出：Tensor("add:0", shape=(2,), dtype=float32)

会话Session须要关闭才能释放资源，经过Python的上下文管理器 with ，能够自动释放资源 

#建立会话，并经过上下文管理器来管理
with tf.Session() as sess: sess.run(result) #不须要Session.close()关闭会话 #上下文管理器退出，会话自动关闭

tensorflow设备：tf.device(‘/cpu:0’)、tf.device(‘/gpu:2’)

 

1、前向传播算法：

须要三个部分：神经网络的输入，神经网络的链接结构，每一个神经元的参数

将前向传播算法使用矩阵乘法方式表示：

#将前向传播算法使用矩阵乘法方式表示：
a = tf.matmul(x,w1)#x是输入，w1是第一层的参数
y = tf.matmul(a,w2)#a是第一层的输出。w2是第二层的神经元的参数

在tensorflow中变量（tf.Variable）的做用：保存和更新神经网络的参数，变量须要指定初始值:

一、使用随机数初始化

#定义2*3的矩阵变量
weights = tf.Variable(tf.random_normal([2,3], stddev=2))

其余随机数生成函数在表3-2

表3-2 TensorFlow随机数生成函数

 

函数名称	随机数分布	主要参数
tf.random_normal	正太分布	平均值、标准差、取值类型
tf.truncated_normal	正太分布，若是随机出来的值偏离均值超过2个标准差，从新随机	平均值、标准差、取值类型
tf.random_uniform	平均分布	最小、最大取值、取值类型
tf.random_gamma	Gamma分布	形状参数alpha、尺度参数beta、取值类型

 

二、使用常数初始化

import tensorflow as tf
#定义长度3的矩阵变量
weights = tf.Variable(tf.zeros([3]))#初始值为0，长度为3的变量

 

 

表3-3 TensorFlow常数生成函数

 

 

函数名称	功能	样例
tf.zeros	产生全0数组	tf.zeros([2,3],int32)–>[[0,0,0],[0,0,0]]
tf.ones	产生全1数组	tf.ones(2,3],int32)–>[[1,1,1],[1,1,1]]
tf.fill	产生一个给定值的数组	tf.fill([2,3],9)–>[[9,9,9],[9,9,9]]
tf.constant	产生一个给定值常量	tf.constant([1,2,3])–>[1,2,3]

 

三、使用其余变量进行初始化

import tensorflow as tf
w2 = tf.Variable(weights.initialized_value())#将w2初始化为与变量weights相同
w3 = tf.Variable(weights.initialized_value()*2)#将w2初始化为变量weights值的2倍

一个变量在使用前，必须先初始化

*（推荐）使用tf.initialize_all_variables()初始化全部变量

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

前向传播算法实现

import tensorflow as tf

#声明w1和w2两个变量，使用seed参数设定随机种子，保证每次产生的随机数相同
w1 = tf.Variable(tf.random_normal([2,3], stddev=1,seed=1))
w2 = tf.Variable(tf.random_normal([3,1], stddev=1,seed=1))

#暂时将输入定义为常量，x为1*2的矩阵
x = tf.constant([[0.7,0.9]])

#经过前向传播算法得到输出
a = tf.matmul(x,w1)
y = tf.matmul(a,w2)

with tf.Session() as sess:
    init_op = tf.global_variables_initializer()
    sess.run(init_op)#初始化全部变量
    print(sess.run(y))

全部的变量都被自动的加入tf.GraphKeys.VARIABLES，经过tf.all_variables()函数获取当前计算图的全部变量，

在神经网络中能够使用变量声明函数中的trainable参数区分须要优化的参数（神经网络参数或迭代轮数），如当trainable=True ，这个变量将加入集合tf.GraphKeys.TRAINABLE_VARIABLES中，能够使用tf.trainable_variables()函数获得全部可学习的变量

表3-1 TensorFlow维护的集合列表

 

集合名称	集合内容	使用场景
tf.GraphKeys.VARIABLES	全部变量	持久化TensorFlow模型
tf.GraphKeys.TRAINABLE_VARIABLES	可学习的变量	模型训练、生成模型可视化内容
tf.GraphKeys.SUMMARIES	日志生成相关张量	TensorFlow计算可视化
tf.GraphKeys.QUEUE_RUNNERS	处理输入的QueueRunner	输入处理
tf.GRaphKeys.MOVING_AVEGAGE_VARIABLES	全部计算了滑动平均值的变量	计算变量的滑动平均值

 2、反向传播算法

一、上面咱们使用x = tf.contant([[0.7,0.9]])表达训练数据，若都使用常量，计算图将很是大（一个常量，计算图增长一个节点），利用率低，故tensorflow提供placeholder机制提供输入数据

placeholder机制：

定义一个位置，这个位置中的数据在程序运行时再指定

定义时，数据类型须要指定（指定后不可改变）

例如使用placeholder实现前向传播算法：

import tensorflow as tf

w1 = tf.Variable(tf.random_normal([2,3], stddev=1,seed=1))
w2 = tf.Variable(tf.random_normal([3,1], stddev=1,seed=1))

#定义placeholder存放输入数据，指定维度下降出错概率（能够不指定）
x = tf.placeholder(tf.float32, shape=(1, 2), name="x")

#经过前向传播算法得到输出
a = tf.matmul(x,w1)
y = tf.matmul(a,w2)

with tf.Session() as sess:
    init_op = tf.global_variables_initializer()
    sess.run(init_op)#初始化全部变量
    #feed_dict是一个字典，，在字典给出placeholder的取值
    print(sess.run(y,feed_dict={x:[[0.7,0.9]]}))

二、获得前向传播的结果后，须要定义一个损失函数表示预测值与真实值的差距，而后经过反向传播算法缩小差距

#使用交叉熵损失函数表示预测值和真实值的差距
cross_entropy = -tf.reduce_mean(y_ * tf.log(tf.clip_by_value(y, 1e-10, 1.0))) 
#定义学习率
learning_rate = 0.001
#定义反向传播算法优化神经网络的参数
train_step = tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy)
with tf.Session() as sess:
    sess.run(train_step)#优化GraphKeys.TRAINABLE_VARIABLES集合中的变量

 

TensorFlow支持7种优化算法，经常使用的三种优化算法：tf.train.AdamOptimizer，tf.train.GradientDescentOptimizer,tf.train.MomentumOptimizer

完整的样例程序：

训练神经网络步骤： 
1. 定义神经网络结构和前向传播输出结果 

2. 定义损失函数及反向传播优化算法 

3. 生成会话(tf.Session)并在训练数据上反复运行反向传播优化算法

 

import tensorflow as tf
from numpy.random import RandomState
# 定义神经网络的参数，输入和输出节点
batch_size = 8
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')
#定义前向传播过程，损失函数及反向传播算法
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)
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)
#生成模拟数据集
rdm = RandomState(1)
X = rdm.rand(128,2)
Y = [[int(x1+x2 < 1)] for (x1, x2) in X]
#建立一个会话来运行TensorFlow程序
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:", sess.run(w1))
    print("w2:", sess.run(w2))
    print("\n")
    
    # 训练模型。
    STEPS = 5000
    for i in range(STEPS):
        start = (i*batch_size) % 128
        end = (i*batch_size) % 128 + batch_size
        sess.run(train_step, feed_dict={x: X[start:end], y_: Y[start:end]})
        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))
    
    # 输出训练后的参数取值。
    print("\n")
    print("w1:", sess.run(w1))
    print("w2:", sess.run(w2))