第一个TensorFlow程序

第一个TensorFlow程序

TensorFlow的运行方式分为如下4步：
（1）加载数据及定义超参数
（2）构建网络
（3）训练模型
（4）评估模型和进行预测

import tensorflow as tf
import  numpy as np

#构造满足一元二次方程的函数
x_data=np.linspace(-1,1,300)[:,np.newaxis]
noise=np.random.normal(0,0.05,x_data.shape)#加入一些噪声点
y_data=np.square(x_data)-0.5+noise

#接下来定义x和y的占位符来作为将要输入神经网络的变量
xs=tf.placeholder(tf.float32,[None,1])
ys=tf.placeholder(tf.float32,[None,1])

#构建网络模型
#构建一个隐藏层和一个输出层
#作为神经网络中的层，输入参数应该有4个变量：输入数据、输入数据的维度、输出数据的维度和激活函数
#每一层经过向量化（y=weight*x+biases）的处理，并且经过激活函数的非线性化处理后，最终得到输出数据。
def add_layer(inputs,in_size,out_size,activation_function=None):
    weights=tf.Variable(tf.random_normal([in_size,out_size]))
    #构建偏置
    biases=tf.Variable(tf.zeros([1,out_size])+0.1)
    #矩阵相乘
    Wx_plus_b=tf.matmul(inputs,weights)+biases
    if activation_function is None:
        outputs=   Wx_plus_b
    else:
        outputs=activation_function(Wx_plus_b)
    return outputs

#构建隐藏层，假设有10个神经元
h1=add_layer(xs,1,20,activation_function=tf.nn.relu)

#构建输出层
prediction=add_layer(h1,20,1,activation_function=None)

#构建损失函数：计算输出层的预测值和真实值之间的误差，对二者差的平方求和再取平均，得到损失函数。
#运用梯度下降法，以0.1的效率最小化损失
loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1]))
train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)


#训练模型
#TF训练1000次，每50次输出训练的损失值
init=tf.global_variables_initializer()#初始化所有变量
sess=tf.Session()
sess.run(init)
for i in range(1000):
    sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
    if i%50==0:
        print(sess.run(loss,feed_dict={xs:x_data,ys:y_data}))

0.194179
0.00892639
0.00714868
0.00584467
0.00474677
0.00424151
0.00397673
0.00376577
0.00367131
0.00362922
0.00359284
0.00356307
0.00353341
0.00350975
0.00349089
0.00347355
0.00345795
0.00344346
0.00343009
0.0034147

超参数hyper-parameters的设定

超参数就是指机器学习模型里的框架参数。
需要手动设定，不断试错。

学习率learning rate

学习率是一个最常设定的超参数，学习率设置的越大，训练时间越短，速度越快；而学习率设置的越小，训练的准确度越高。先设置0.01，观察损失值的变化，然后尝试0.001,0.0001，最终确定一个比较合适的学习率。

也可以设置可变的学习率。例如，在训练过程中，记录最佳的准确率，在连续n epoch没有达到最佳的准确率时，便可以认为准确率不再提高，就可以停止训练，称为“early stopping”。此时，让学习率减半，下一次满足时再减半，这样在逐渐解决最优解时，学习率越来越小，准确度就越来越高。

mini-batch大小

mini-batch大小，每批大小决定了权重的更新规则。批次越大，训练越快，但是权值更新频率略低。如何选择批次？需要根据硬件性能以及数据集的大小来设定。

正则项系数regularization parameter，λ

一般在较复杂的网络发现了明显的过拟合，可以考虑增加此项。初学者可以一开始设置为0，然后确定好一个比较好的学习率后，再给λ一个值，随后根据准确率再精细调整。