乐趣区

关于机器学习:多神经元简单神经网络的实现

数据集

首先数据集抉择应用 Cifar-10。

这个数据汇合蕴含 十个类 的图片,每类 600032 x 32的图片,共计 60000 张图片,其中 50000 训练图片,10000张测试图片。

这里下载了 python 对应的版本:

读取文件

Cifar-10 的网站,咱们能够找到实例代码,而后依照本人的文件目录读取:

CIRFA_DIR = "../data/cifar-10-batches-py"
def load_data(filename):
    # 从文件中读取数据
    with open(filename, 'rb') as f:
    # pickle 默认是用 ASCII 编码,然而待载入文件并不是应用 ASCII 编码的,须要申明 encoding,来正确载入文件
    data = cPickle.load(f, encoding='latin1')
    return data['data'], data['labels']

这里与实例代码有点不同,在 load() 函数中,增加了一个 encoding 参数,因为默认载入文件是应用 ASCII 编码,然而数据集文件并不是应用这个编码的,所以要正确关上,须要增加encoding='latin1',否则不能正确解码文件。

数据处理——加载 Cifar 样本

这里创立一个 CifarData 类,用来加载样本文件中的数据:

class CifarData:
    def __init__(self, filenames, need_shuffle):
        all_data = []
        all_labels = []
        for filename in filenames:
            data, labels = load_data(filename)
            all_data.append(data)
            all_labels.append(labels)
            
        self._data = np.vstack(all_data)        # 将 data 纵向合并为一个矩阵
        self._data = self._data / 127.5 - 1     # 将 data 作一个归一化,0 到 1 之间
        self._labels = np.hstack(all_labels)    # 将 labels 横向合并为一个矩阵
        
        self._num_examples = self._data.shape[0]    # 样本数
        self._need_shuffle = need_shuffle           # 保留 need_shuffle
        self._indicator = 0 # 指明在以后数据集,把这个数据集遍历到哪个地位上
        
        if self._need_shuffle:
            self._shuffle_data()

留神到这里在 init 函数中,定义了一个 need_shuffle 的变量。
对于训练集来说,须要在训练一遍之后进行 数据的打乱 ,也就是shuffle,以防程序数据产生的 过拟合 问题;
对于测试集来说,不在测试集上进行训练,只计算 损失函数 准确率,也就不须要进行shuffle

而后在这个类里,还须要定义两个函数:

# 从新打乱数据
def _shuffle_data(self):
    # 对_num_example 这些数据进行混排
    p = np.random.permutation(self._num_examples)
    self._data = self._data[p]
    self._labels = self._labels[p]

首先是 shuffle 函数,来对训练集数据进行打乱。

# 每次返回 batch_size 个样本
def next_batch(self, batch_size):
    end_indicator = self._indicator + batch_size    # 定义每个 batch 的完结地位
    
    # 如果完结地位大于全副的数组
    if end_indicator > self._num_examples:
        # 如果能够 shuffle,if self._need_shuffle:
            self._shuffle_data()
            self._indicator = 0
            end_indicator = batch_size
       # 数据集曾经遍历完,并且不容许进行 shuffle
       else:
            raise Exception("have no more examples")
    
    # 验证 batch_size 是否比整个样本数还要大
    if end_indicator > self._num_examples:
        raise Exception("batch size is larger than all examples")
    
    # 返回 indicator 到 end_indicator 之间的数据
    batch_data = self._data[self._indicator: end_indicator]
    batch_labels = self._labels[self._indicator: end_indicator]
    self._indicator = end_indicator     # 从新定位 indicator
    
    return batch_data, batch_labels

而后定义了 next_batch() 函数,用来每次返回 batch_size 大小的数据。并在每次返回后,对残余数据进行打乱。

初始化相干变量

# 这里占位符的第一维度为 None,示意样本数是不确定的;第二维度为 3072,示意每个样本的维度是 3072
x = tf.placeholder(tf.float32, [None, 3072])
y = tf.placeholder(tf.int64, [None])

# 定义权重,并在均值为 0,方差为 1 的范畴内进行随机初始化 (3072 * 10)# 进行多分类,样本数据总共有十个类
w = tf.get_variable('w', [x.get_shape()[-1], 10], 
                    initializer=tf.random_normal_initializer(0, 1))
# 定义偏置,初始化为常量 0 (10,)
b = tf.get_variable('b', [10], initializer=tf.constant_initializer(0.0))

# (None, 3072) * (3072, 10) = (None, 10)
y_ = tf.matmul(x, w) + b

在神经网络中,神经元的根本构造如下,x1、x2、x3...是输出,h(W*x)是输入,W*x是一个两头过程,示意让每个 x 和其权重做乘积,而后再加起来,再由 h 函数 失去输入。这里只有一个输入,就示意是 单神经元

这外面的 w、x 就对应代码中定义的 w 和 x ,而后输入就是y。这里还有一个 偏置 b ,这就是咱们之前数学中所学到 截距 的概念相似,也就是 分类线 分类面 坐标轴交点 的值:

而后 y_ 是一个 Wx进行矩阵相乘,它是一个内积值。前面须要将其变成一个概率值。

而后应用激活函数(即公式中的 f)对 y_ 进行激活:

# 多分类的激活函数: e^x / sum(e^x)
# [[0.01, 0.9, ..., 0.03], [...]]
p_y = tf.nn.softmax(y_)

这是多分类的激活函数 softmax(),而二分类的激活函数个别应用sigmoid() 函数。

接着对 y 进行 one_hot 编码,这步次要是为了将 yp_y转换成雷同的数据格式:

# 对 y 进行 ont_hot 编码,使得 y 和 p_y 放弃雷同的数据类型,以计算损失函数
# 5 -> [0, 0, 0, 0, 0, 1, 0, 0, 0, 0]
y_one_hot = tf.one_hot(y, 10, dtype=tf.float32)

最初计算损失函数:

# 计算损失函数
loss = tf.reduce_mean(tf.square(y_one_hot - p_y))

这里计算损失函数,采纳了 平方差 的形式。

最初对准确率进行计算,并对 loss 做梯度降落(梯度降落算法),找到 loss 的最小值:

predict = tf.argmax(y_, 1)                                      # 预测值
correct_predict = tf.equal(predict, y)                          # 正确的预测值
accuracy = tf.reduce_mean(tf.cast(correct_predict, tf.float64)) # 准确率

# 对 loss 做梯度降落
with tf.name_scope('train_op'):
    train_op = tf.train.AdamOptimizer(1e-3).minimize(loss)

进行训练

首先先执行初始化的变量,而后定义训练的 batch_size 训练的步数 测试的步数

# 执行初始化
init = tf.global_variables_initializer()

batch_size = 20
train_steps = 100000
test_steps = 100

接着应用 session 开始执行计算:

with tf.Session() as sess:
    sess.run(init)
    
    # 循环 train_steps,进行训练
    for i in range(train_steps):
        batch_data, batch_labels = train_data.next_batch(batch_size)
        
        loss_val, accu_val, _ = sess.run([loss, accuracy, train_op],
            feed_dict={
                x: batch_data,
                y: batch_labels})
        
        # 打印两头过程
        if (i + 1) % 500 == 0:
            print('[Train] step: %d, loss: %4.5f, acc: %4.5f' % (i + 1, loss_val, accu_val))
        
        # 应用测试集进行评测
        if (i + 1) % 5000 == 0:
            test_data = CifarData(test_filename, False)
            all_test_acc_val = []  # 保留总的 accuracy
            for j in range(test_steps):
                test_batch_data, test_batch_labels = test_data.next_batch(batch_size)
                test_acc_val = sess.run([accuracy], feed_dict={x: test_batch_data, y: test_batch_labels})
                all_test_acc_val.append(test_acc_val)
                
            test_acc = np.mean(all_test_acc_val)  # 对 test 的 acc 做均匀
            
            print('[Test] step: %d, acc: %4.5f' % (i + 1, test_acc))

tensorflow只有让 计算图 上的节点在 session 中执行能力失去后果,sess只有在调用 run() 函数后能力开始执行计算。而个别调用 run() 函数后,执行计算会非常耗费资源,所以必须要在完结后执行 close() 进行敞开:

sess.run(init)
sess.close()

然而手动进行敞开又比拟麻烦,有时候还会遗记,所以就是用 with 语句,完结后主动敞开:

with tf.Session as sess:
    sess.run(init)

初始化执行后,开始循环train_steps,进行训练。

在每执行 500 步 打印一次两头过程,输入 以后步 损失函数 准确率

同时,为了做出相似真是环境中的评测,须要在测试集上忘性评测。每 5000 步 对已训练的模型进行一次评测。

运行后果及总结

咱们发现随着训练的进行,准确率 在整体上有肯定水平的晋升。

通过对 单个神经元 的神经网络到 多个神经元 的神经网路的学习,对实现神经网络的根本过程有了肯定水平的理解。

对于数据处理局部,归一化 解决对后果的影响非常重要:

self._data = self._data / 127.5 - 1

没有进行归一化之前,训练的准确率根本没有什么变动,这是因为 未归一化 的数据都比拟大,这就导致了运算会偏差某一方,从而导致准确率的变动不大。

其次,在解决数据的时候,还要多留神 数据类型 的关系。因为其中很多都是矩阵的乘法,一旦数据类型或格局不能匹配,就不能正确运算。

对于神经网络的解决局部,次要就是了解 特色集(x)损失函数 (loss) 等概念。通过编程的实现,对文章开始局部的方程的了解不仅仅限度在数学层面:

包含推 梯度降落 的利用,对激活函数的利用等。


相干参考:
https://tensorflow.google.cn/versions/r2.0/api_docs/python/tf
https://www.imooc.com/learn/1063

退出移动版