欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

TensorFlow平台下Python实现神经网络

程序员文章站 2022-05-25 21:39:27
本篇文章主要通过一个简单的例子来实现神经网络。训练数据是随机产生的模拟数据集,解决二分类问题。 下面我们首先说一下,训练神经网络的一般过程: 1.定义神经网络的结构和前...

本篇文章主要通过一个简单的例子来实现神经网络。训练数据是随机产生的模拟数据集,解决二分类问题。

下面我们首先说一下,训练神经网络的一般过程:

1.定义神经网络的结构和前向传播的输出结果

2.定义损失函数以及反向传播优化的算法

3.生成会话(session)并且在训练数据上反复运行反向传播优化算法

要记住的一点是,无论神经网络的结构如何变化,以上三个步骤是不会改变的。

完整代码如下:

import tensorflow as tf 
#导入tensorflow工具包并简称为tf 
 
from numpy.random import randomstate 
#导入numpy工具包,生成模拟数据集 
 
batch_size = 8 
#定义训练数据batch的大小 
 
w1 = tf.variable(tf.random_normal([2,3],stddev=1,seed=1)) 
w2 = tf.variable(tf.random_normal([3,1],stddev=1,seed=1)) 
#分别定义一二层和二三层之间的网络参数,标准差为1,随机产生的数保持一致 
 
x = tf.placeholder(tf.float32,shape=(none,2),name='x-input') 
y_ = tf.placeholder(tf.float32,shape=(none,1),name='y-input') 
#输入为两个维度,即两个特征,输出为一个标签,声明数据类型float32,none即一个batch大小 
#y_是真实的标签 
 
a = tf.matmul(x,w1) 
y = tf.matmul(a,w2) 
#定义神经网络前向传播过程 
 
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) 
#定义损失函数和反向传播算法 
 
rdm = randomstate(1) 
dataset_size = 128 
#产生128组数据 
x = rdm.rand(dataset_size,2) 
y = [[int(x1+x2 < 1)] for (x1,x2) in x] 
#将所有x1+x2<1的样本视为正样本,表示为1;其余为0 
 
#创建会话来运行tensorflow程序 
with tf.session() as sess: 
 init_op = tf.global_variables_initializer() 
 #初始化变量 
 sess.run(init_op) 
 
 print(sess.run(w1)) 
 print(sess.run(w2)) 
 #打印出训练网络之前网络参数的值 
 
 steps = 5000 
 #设置训练的轮数 
 for i in range(steps): 
  start = (i * batch_size) % dataset_size 
  end = min(start+batch_size,dataset_size) 
 #每次选取batch_size个样本进行训练 
  
  sess.run(train_step,feed_dict={x:x[start:end],y_:y[start:end]}) 
 #通过选取的样本训练神经网络并更新参数 
  
  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)) 
 #每隔一段时间计算在所有数据上的交叉熵并输出,随着训练的进行,交叉熵逐渐变小 
 
 print(sess.run(w1)) 
 print(sess.run(w2)) 
 #打印出训练之后神经网络参数的值 

运行结果如下:

TensorFlow平台下Python实现神经网络

结果说明:

首先是打印出训练之前的网络参数,也就是随机产生的参数值,然后将训练过程中每隔1000次的交叉熵输出,发现交叉熵在逐渐减小,说明分类的性能在变好。最后是训练网络结束后网络的参数。

分享一个图形化神经网络训练过程的网站:点这里,可以自己定义网络参数的大小,层数以及学习速率的大小,并且训练过程会以很直观的形式展示出来。比如:

TensorFlow平台下Python实现神经网络

 TensorFlow平台下Python实现神经网络

以上对于神经网络训练过程可以有一个很深刻的理解。

最后,再补充一些tensorflow相关的知识:

1.tensorflow计算模型-计算图

       tensor表示张量,可以简单的理解为多维数据结构;flow则体现了它的计算模型。flow翻译过来是“流”,它直观地表达了张量之间通过计算相互转换的过程。tensorflow中的每一个计算都是计算图上的一个节点,而节点之间的边描述了计算之间的依赖关系。

指定gpu方法,命令如下:

import tensorflow as tf
a = tf.constant([1.0,2.0],name=“a”)
b = tf.constant([3.0,4.0],name=“b”)
g = tf.graph()
with g.device(/gpu:0):
result = a + b
sess = tf.session()
sess.run(result)

2.tensorflow数据模型-张量

      张量是管理数据的形式。零阶张量表示标量,第一阶张量为向量,也就是一维数组,一般来说,第n阶张量可以理解为一个n维数组。张量本身不存储运算的结果,它只是得到对结果的一个引用。可以使用tf.session().run(result)语句来得到计算结果。

3.tensorflow运行模型-会话

我们使用session来执行定义好的运算。

主要有以下两种方式,第一种会产生内存泄漏,第二种不会有这种问题。

#创建一个会话
sess = tf.session()
sess.run(…)
#关闭会话使得本次运行中使用的资源得到释放
sess.close()

第二种方式是通过python的上下文资源管理器来使用会话。

with tf.session() as sess:
sess.run(…)

此种方式自动关闭和自动进行资源的释放

4.tensorflow-神经网络例子

使用神经网络解决分类问题可以分为以下四个步骤:
①提取问题中实体的特征向量作为输入。
②定义神经网络的结构,并定义如何从神经网络的输入得到输出。这个过程就是神经网络的前向传播算法。
③通过训练数据来调整神经网络中参数的设置,这就是训练网络的过程。
④使用训练好的神经网络来预测未知的数据  

在tensorflow中声明一个2*3的矩阵变量的方法:

weight = tf.variable(tf.random_normal([2,3],stddev=2))

 即表示为方差为0、标准差为2的正态分布

在tensorflow中,一个变量的值在被使用之前,这个变量的初始化过程需要被明确调用。一下子初始化所有的变量

sess = tf.session()
init_op = tf.initialize_all_variables()

或者换成init_op = tf.global_variables_initializer()也可

sess.run(init_op)

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。