深度学习_1_神经网络_1
神经网络
感知机
解决分类问题
http://playground.tensorflow.org
神经网络
定义:
在机器学习领域和认知科学领域,人工神经网络(artificial neural network) 简称ann或类神经网络,一种放生物 神经网络的结构和功能的计算模型,用于对函数进行估计或近似.
种类:
- 基础神经网络:单层感受器,线性神经网络,BP神经网络,Hopfield神经网络
- 进阶神经网络:玻尔兹曼机,受限玻尔兹曼机,递归神经网络
- 深度神经网络:深度置信网络,卷积神将网络,循环神将网络,LSTM网络
神经网络的特点
- 输入向量的维度和输入神经元的个数相同
- 每个链接都有权值
- 同一层神经元之间没有连接
- 有输入层,隐层,输出层组成
- 第N层与第N-1层的所有神经元链接,也叫全连接
组成
-
结构(Architecture):神经网络中的权重,神经元等等
-
激活函数(Activity Rule)
-
学习规则(Learning Rule)学习规则指定了网络中的权重如何随着时间的推移而调整(反向传播算法)
全连接层有多少个圆,最后就有多少输出
神将网络API模块
- tf.nn:提供神经网络相关操作的支持,包括卷积操作(conv),池化操作(pooling),归一化,loss,分类操作,embedding,RNN,Evaluation. (底层一点)
- tf.layers:主要提供高层的神经网络,主要和卷积线管的,对tf.nn的进一步封装(高级一点)
- tf.contrib:tf.contrib.layers 提供够将计算图中的网络层,正则化,摘要操作,是构建计算图的高级操作,但是tf.contrib包不稳定以及一些实验代码
浅层人工神经网络模型
-
softmax回归 (主要解决分类)
Si = ei/(求和j(e^j))
-
损失计算api
-
其他api介绍
简单的神经网络实现手写数字识别
1,API介绍
-
全连接-从输入直接到输出
tf.matmul(a,b,name=None)+bias 特征加权
return:全连接结果,供交叉损失运算
不需要激活函数(因为是最后的输出)
-
SoftMax计算,交叉熵
tf.nn.softmax_corss_entropy_with_logits(labels=None,logits=None,name=None) 计算logits和labels之间的交叉损失熵
labels:标签值(真实值)
logits:样本值:样本加权之后的值
return:返回损失函数列表
-
损失列表平均值计算
tf.reduce_mean(input_tensor)
-
损失下降API
tf.train.GradientDescentOptimizer(learning_rate) 梯度下降优化
learning_rate:学习率
minimize:最小优化损失
return:梯度下降op
2,Minst手写数字识别
-
数据集 http://yann.lecun.com/exdb/mnist 55000训练集 10000测试集 每行包含两个部分,图片 标签
-
数据读取
from tensorflow.example.tutorials.minst import imput_data
mnist = input_data.read_data_sets(FLAGS.data_dir,one_hot=True) 使用API读取
-
准确率计算
equal_list = tf.equal(tf.argmax(y,1),tf.argmax(y_label,1)) 1表示按照列比较,返回一个None的 数值的列表,为1表示该样本预测正确,0错误
输入真实的结果(在本例中:每行是对应样本的一行ont_hot),和预测矩阵 每个样本的预测值
accuracy=tf.tf.reduce_mean(tf.cast(equal_list,tf.float32)) 准确率
-
简单实例深度神经网络
def simplePictureRecoginze(): from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets(r"I:\人工智能数据\mnist_65000_28_28_simple_number", one_hot=True) # mnist.train.image 60000 行 784 列 # mnist.train.image[0]获取具体的一张图片 # mnist.train.labels 60000 行 10 列 # mnist.train.next_batch(50) 返回两个二维数组,50张图片,50张图片标签对应的ont_hot编码 import tensorflow as tf FLAGS=tf.flags.FLAGS tf.flags.DEFINE_integer("is_train",1,"指定程序是预测还是训练") tf.flags._FlagValuesWrapper # 1,建立数据占位符x[None,748] y_true=[None,10] with tf.variable_scope("data"): x = tf.placeholder(tf.float32, [None, 784]) y_true = tf.placeholder(tf.int32, [None, 10]) # 2,建立全连接层的神经网络 w[784,10] b[10] with tf.variable_scope("fc_model"): # 随机初始化权重和偏执 weight = tf.Variable(tf.random_normal([784, 10], mean=0.0, stddev=1.0), name="w") bias = tf.Variable(tf.constant(0.0, shape=[10])) # 预测None个样本的输出结果 [None,784]*[784,10]+[10] = [None,10] y_predict = tf.matmul(x, weight) + bias # 3,求出所有样本的损失,求平均值 with tf.variable_scope("soft_cross"): # 求平均值交叉熵损失 loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_true, logits=y_predict)) # 4,梯度下降求出损失 with tf.variable_scope("optimizer"): train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss) # 5,计算准确率 with tf.variable_scope("acc"): equal_list = tf.equal(tf.argmax(y_true, 1), tf.argmax(y_predict, 1)) accuracy = tf.reduce_mean(tf.cast(equal_list, tf.float32)) # 收集变量 tf.summary.scalar("losses",loss) tf.summary.scalar("acc",accuracy) # 高纬度变量收集 tf.summary.histogram("weights",weight) tf.summary.histogram("biases",bias) # 定义一个初始化变量的op init_op = tf.global_variables_initializer() # 定义合并变量的op merge = tf.summary.merge_all() # 创建saver保存模型 save = tf.train.Saver() # 开启会话训练 with tf.Session() as sess: sess.run(init_op) # 迭代步数取训练,更新参数预测 # 建立events文件,写入 events = r"./summary" model = r"./Model/ckpt" filewriter = tf.summary.FileWriter(events,graph=sess.graph) if FLAGS.is_train == 1: for i in range(2000): # 取出特征值,目标值 mnist_x, mnist_y = mnist.train.next_batch(50) feed_dict = {x: mnist_x, y_true: mnist_y} # 运行训练 sess.run(train_op, feed_dict=feed_dict) print("训练第%d的次,准确率为:%f"%(i,sess.run(accuracy,feed_dict=feed_dict))) # 写入每部训练的值 summary = sess.run(merge,feed_dict=feed_dict) filewriter.add_summary(summary,i) # 保存模型 save.save(sess, model) else: # 加载模型 save.restore(sess,model) # 如果是0,做出预测 for i in range(100): # 每次测试一张图片 x_test,y_test = mnist.test.next_batch(1) print("第%d张图片,手写数字目标是:%d,预测结果是:%d" % (i, tf.argmax(y_test,1).eval(), tf.argmax(sess.run(y_predict,feed_dict={x:x_test,y_true: y_test}),1).eval()) ) return None