人工智能深度学习入门练习之（26）TensorFlow – 例子：人工神经网络(ANN)

人工神经网络(ANN)介绍

生物神经元

人脑有数十亿个神经元。神经元是人脑中相互连接的神经细胞，参与处理和传递化学信号和电信号。

以下是生物神经元的重要组成部分:

• 树突 – 从其他神经元接收信息的分支
• 细胞核 – 处理从树突接收到的信息
• 轴突 – 一种被神经元用来传递信息的生物电缆
• 突触 – 轴突和其他神经元树突之间的连接

人脑神经元处理信息的过程：多个信号到达树突，然后整合到细胞体中，如果积累的信号超过某个阈值，就会产生一个输出信号，由轴突传递。

人工神经元

人工神经元是一个基于生物神经元的数学模型，神经元接受多个输入信息，对它们进行加权求和，再经过一个激活函数处理，然后将这个结果输出。

生物神经元对照人工神经元

生物神经元	人工神经元
细胞核	节点 (加权求和 + 激活函数)
树突	输入
轴突	带权重的连接
突触	输出

人工神经网络

人工神经网络，模仿哺乳动物大脑皮层的神经系统，但规模要小得多。它由许多简单的处理单元(神经元)互联组成，这些处理单元(神经元)的作用类似于生物神经元，接受信息输入，处理后向下一层输出信息。

人工神经网络由多层神经元组成。层与层之间的神经元有连接，而层内之间的神经元没有连接。最左边的层叫做输入层，这层负责接收输入数据；最右边的层叫输出层，我们可以从这层获取神经网络输出数据。输入层和输出层之间的层叫做隐藏层。

人工神经网络的训练

给神经网络输入一批样本数据，神经网络会产生输出。比较神经网络的输出与样本中的正确结果，根据两者的差值，对神经网络的权重进行调整，使差值变小。重复这个过程，直到神经网络产生正确输出，从而确定神经网络的权重值完成训练。

训练好的神经网络就可以用来处理数据，给神经网络输入数据，给出正确的输出。

所以，所谓神经网络的训练过程，实际上就是确定神经元之间输入权重的过程。

如上图所示，具体训练过程如下：

1. 给神经网络输入一批样本数据，经过神经网络传输到输出层，这一步被称为前向传播。
2. 计算损失函数的值，损失函数的值表示预测结果(Prediction Y)和已知结果(True label Y)之间的差值。
3. 使用优化器（Optimizer，通常使用梯度下降算法与反向传播算法），调整权重值，使差值变小。

重复以上3个步骤训练权重，直到损失函数的值（差值）最小，确定最终的权重值，完成训练。

注意: 关于人工神经网络的详细内容，可参考我们的深度学习教程。

TensorFlow 人工神经网络例子

TensorFlow中，Estimator是一种可极大地简化机器学习编程的高阶API。Estimator 会封装下列操作：

• 训练
• 评估
• 预测
• 导出以供使用

开发人员可以使用TensorFlow预创建的 Estimator，也可以编写自定义 Estimator。所有 Estimator（无论是预创建的还是自定义）都是基于 tf.estimator.Estimator 类的类。

这一部分，我们将学习使用TensorFlow的高阶APIEstimator中的DNNClassifier训练神经网络，DNNClassifier是一个神经网络分类器的实现。训练数据集我们将采用MNIST数据集。

MNIST(Modified National Institute of Standards and Technology database)是一个手写数字的大型数据库，通常作为各种图像识别系统的训练数据集，该数据集包含了从0到9的手写数字的28×28像素图像的集合，现在已经成为英语数字训练的标准数据集。

该神经网络训练好后，功能是能够识别手写数字。

用TensorFlow训练神经网络并不复杂，我们将按以下步骤进行:

1. 导入数据
2. 转换数据
3. 构造张量
4. 构建模型
5. 训练和评估模型
6. 改进模型

1. 导入数据

首先需要导入必要的库，除了TensorFlow，我们将使用：

• numpy 计算、处理多维数组的python包
• sklearn 机器学习相关的包，包含许多有用的函数

sklearn可用于导入MNIST数据集，预处理数据等。

import numpy as np
import tensorflow as tf

openml.org是一个分享机器学习数据和实验的公共存储库，每个人都可在上面分享、下载数据集。sklearn.datasets包中的fetch_openml函数可以从openml存储库下载数据集。我们将使用该函数从openml.org下载MNIST数据集，下载会花几分钟时间。

MNIST数据集中包含了样本特征集mnist.data及样本标签mnist.target。

# 导入sklearn库中fetch_openml函数，下载MNIST数据集
from sklearn.datasets import fetch_openml
mnist = fetch_openml('mnist_784')
print(mnist.keys())
print(mnist.data.shape)
print(mnist.target.shape)

使用train_test_split函数将数据集随机划分为训练子集和测试子集，并返回划分好的训练集测试集样本和训练集测试集标签。

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(mnist.data, mnist.target, test_size=0.2, random_state=42)
y_train  = y_train.astype(int)
y_test  = y_test.astype(int)
batch_size = len(X_train)

# 查看训练样本子集、训练样本标签子集、测试样本子集、测试样本标签子集的形状
print(X_train.shape, y_train.shape, X_test.shape, y_test.shape)

train_test_split函数的参数解释：

• train_data：被划分的样本特征集
• train_target：被划分的样本标签
• test_size：如果是浮点数，在0-1之间，表示测试子集占比；如果是整数的话就是测试子集的样本数量
• random_state：是随机数的种子

随机数种子

随机数的产生取决于种子，随机数和种子之间的关系遵从以下两个规则：
种子不同，产生不同的随机数；种子相同，即使实例不同也产生相同的随机数。

随机数种子，其实就是该组随机数的编号，在需要重复试验的时候，种子相同可以保证得到一组一样的随机数。比如你每次都填1，其他参数一样的情况下，得到的随机数组是一样的，但填0或不填，则每次都会不一样。

2. 数据预处理

在进行训练之前，需要对数据集作归一化处理，可以提高模型收敛速度和模型精度。我们将使用最小最大值标准化方法，该方法的公式是:

(X-min_x)/(max_x - min_x)

sklearn库中已经为此提供了一个函数: MinMaxScaler()

## 导入MinMaxScaler
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
# 训练样本子集
X_train_scaled = scaler.fit_transform(X_train.astype(np.float64))
# 测试样本子集
X_test_scaled = scaler.fit_transform(X_test.astype(np.float64))

3. 构造张量

构造输入特征列张量。TensorFlow中的特征列可以视为原始数据和 Estimator 之间的媒介。特征列功能强大，可以将各种原始数据转换为 Estimator 可以使用的格式。

feature_columns = [tf.feature_column.numeric_column('x', shape = X_train_scaled.shape[1:])]

4. 构建模型

该神经网络结构包含两个隐藏层，第一层为300个神经元，第二层为100个神经元。这些值都是经验值，你可以尝试调整这些值，看看它如何影响网络的准确性。

要构建模型，可以使用estimator.DNNClassifier。

estimator = tf.estimator.DNNClassifier(
    feature_columns=feature_columns,
    hidden_units=[300, 100], 
    n_classes=10, 
    model_dir = './train/DNN')

参数

• feature_columns: 定义要在网络中使用的特征列
• hidden_units: 定义隐藏层的神经元数量
• n_classes: 定义要预测的分类数量，这里是0~9，是10个类
• model_dir: 定义TensorBoard的路径

5. 训练和评估模型

可以使用numpy方法来训练和评估模型。

# 训练模型
train_input = tf.estimator.inputs.numpy_input_fn(
    x={"x": X_train_scaled},
    y=y_train,
    batch_size=50,
    shuffle=False,
    num_epochs=None)

estimator.train(input_fn = train_input,steps=1000) 

# 评估模型
eval_input = tf.estimator.inputs.numpy_input_fn(
    x={"x": X_test_scaled},
    y=y_test, 
    shuffle=False,
    batch_size=X_test_scaled.shape[0],
    num_epochs=1)

result = estimator.evaluate(eval_input, steps=None) 
print(result)

输出

{'accuracy': 0.9720714, 'average_loss': 0.09608318, 'loss': 1345.1646, 'global_step': 4000}

可以看到，现在模型的准确率为97%。

6. 改进模型

为减少过拟合，添加正则化参数来改进模型。我们设置dropout率为0.3，使用Adam Grad优化器：tf.train.ProximalAdagradOptimizer, 设置以下参数：

• 学习速率: learning_rate
• L1正则化: l1_regularization_strength
• L2正则化: l2_regularization_strength

estimator_imp = tf.estimator.DNNClassifier(
    feature_columns = feature_columns,
    hidden_units = [300, 100],
    dropout = 0.3, 
    n_classes = 10,
    optimizer=tf.train.ProximalAdagradOptimizer(
      learning_rate=0.01,
      l1_regularization_strength=0.01, 
      l2_regularization_strength=0.01
    ),
    model_dir = './train/DNN1')

estimator_imp.train(input_fn = train_input, steps=1000) 

result = estimator_imp.evaluate(eval_input, steps=None) 
print(result)

输出

{'accuracy': 0.94292855, 'average_loss': 0.2078176, 'loss': 2909.4463, 'global_step': 1000}

完整代码：

import tensorflow.compat.v1 as tf
import numpy as np
tf.compat.v1.disable_eager_execution()
# 导入sklearn库中fetch_openml函数，下载MNIST数据集
from sklearn.datasets import fetch_openml
mnist = fetch_openml('mnist_784')
print(mnist.keys())
print(mnist.data.shape)
print(mnist.target.shape)
from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(mnist.data, mnist.target, test_size=0.2, random_state=42)
y_train  = y_train.astype(int)
y_test  = y_test.astype(int)
batch_size = len(X_train)

# 查看训练样本子集、训练样本标签子集、测试样本子集、测试样本标签子集的形状
print(X_train.shape, y_train.shape, X_test.shape, y_test.shape)
from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(mnist.data, mnist.target, test_size=0.2, random_state=42)
y_train  = y_train.astype(int)
y_test  = y_test.astype(int)
batch_size = len(X_train)

# 查看训练样本子集、训练样本标签子集、测试样本子集、测试样本标签子集的形状
print(X_train.shape, y_train.shape, X_test.shape, y_test.shape)
## 导入MinMaxScaler
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
# 训练样本子集
X_train_scaled = scaler.fit_transform(X_train.astype(np.float64))
# 测试样本子集
X_test_scaled = scaler.fit_transform(X_test.astype(np.float64))
feature_columns = [tf.feature_column.numeric_column('x', shape = X_train_scaled.shape[1:])]
estimator = tf.estimator.DNNClassifier(
    feature_columns=feature_columns,
    hidden_units=[300, 100],
    n_classes=10,
    model_dir = './train/DNN')
# 训练模型
train_input = tf.estimator.inputs.numpy_input_fn(
    x={"x": X_train_scaled},
    y=y_train,
    batch_size=50,
    shuffle=False,
    num_epochs=None)

estimator.train(input_fn = train_input,steps=1000)

# 评估模型
eval_input = tf.estimator.inputs.numpy_input_fn(
    x={"x": X_test_scaled},
    y=y_test,
    shuffle=False,
    batch_size=X_test_scaled.shape[0],
    num_epochs=1)

result = estimator.evaluate(eval_input, steps=None)
print(result)
estimator_imp = tf.estimator.DNNClassifier(
    feature_columns = feature_columns,
    hidden_units = [300, 100],
    dropout = 0.3,
    n_classes = 10,
    optimizer=tf.train.ProximalAdagradOptimizer(
      learning_rate=0.01,
      l1_regularization_strength=0.01,
      l2_regularization_strength=0.01
    ),
    model_dir = './train/DNN1')

estimator_imp.train(input_fn = train_input, steps=1000)

result = estimator_imp.evaluate(eval_input, steps=None)
print(result)

执行结果：

{'accuracy': 0.94292855, 'average_loss': 0.2078176, 'loss': 2909.4463, 'global_step': 1000}

减少过拟合的参数设置，并没有提高模型的精度，第一个模型的准确率为97%，而L2正则化模型的准确率为94%。你可以尝试使用不同的值，看看它如何影响准确度。

小结

本篇教程中，我们学习了如何构建一个神经网络。神经网络需要:

• 隐藏层的数量
• 每个隐藏层内神经元的数量
• 激活函数
• 优化器
• 输出的分类数量

在TensorFlow中，你可以使用tf.estimator.DNNClassifier训练一个神经网络来解决分类问题，需要设置的参数如下：

• feature_columns=feature_columns,
• hidden_units=[300, 100]
• n_classes=10
• model_dir

可以使用不同的优化器来改进模型。我们学习了如何使用Adam Grad优化器和学习率，并设置了防止过度拟合的控制参数。