码迷,mamicode.com
首页 > 其他好文 > 详细

深度学习_1_神经网络_1

时间:2019-10-27 16:54:45      阅读:89      评论:0      收藏:0      [点我收藏+]

标签:wrap   链接   sha   受限玻尔兹曼机   oba   权重   col   feed   神经元   

神经网络

感知机

解决分类问题

http://playground.tensorflow.org
技术图片

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

技术图片

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

技术图片

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 = e^i/(求和j^(e^j))

技术图片

技术图片

技术图片

  • ? 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

技术图片

技术图片

  • 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

深度学习_1_神经网络_1

标签:wrap   链接   sha   受限玻尔兹曼机   oba   权重   col   feed   神经元   

原文地址:https://www.cnblogs.com/Dean0731/p/11747704.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!