本系列文章md笔记（已分享）次要探讨深度学习相干常识。能够让大家熟练掌握机器学习根底,如分类、回归（含代码），熟练掌握numpy,pandas,sklearn等框架应用。在算法上，把握神经网络的数学原理，手动实现简略的神经网络构造，在利用上熟练掌握TensorFlow框架应用，把握神经网络图像相干案例。具体包含：TensorFlow的数据流图构造，神经网络与tf.keras，卷积神经网络(CNN)，商品物体检测我的项目介绍，YOLO与SSD，商品检测数据集训练和模型导出与部署。
全套笔记和代码自取移步gitee仓库： gitee仓库获取残缺文档和代码
感兴趣的小伙伴能够自取哦，欢送大家点赞转发~
共 9 章，60 子模块
TensorFlow介绍
阐明TensorFlow的数据流图构造
利用TensorFlow操作图
说明会话在TensorFlow程序中的作用
利用TensorFlow实现张量的创立、形态类型批改操作
利用Variable实现变量op的创立
利用Tensorboard实现图构造以及张量值的显示
利用tf.train.saver实现TensorFlow的模型保留以及加载
利用tf.app.flags实现命令行参数增加和应用
利用TensorFlow实现线性回归2.7 案例：实现线性回归
学习指标
-
指标
- 利用op的name参数实现op的名字批改
- 利用variable_scope实现图程序作用域的增加
- 利用scalar或histogram实现张量值的跟踪显示
- 利用merge_all实现张量值的合并
- 利用add_summary实现张量值写入文件
- 利用tf.train.saver实现TensorFlow的模型保留以及加载
- 利用tf.app.flags实现命令行参数增加和应用
- 利用reduce_mean、square实现均方误差计算
- 利用tf.train.GradientDescentOptimizer实现有梯度降落优化器创立
- 利用minimize函数优化损失
- 晓得梯度爆炸以及常见解决技巧
-
利用
- 实现线性回归模型
-
内容预览
- 2.7.1 线性回归原理温习
- 2.7.2 案例：实现线性回归的训练
-
2.7.3 减少其余性能
- 1 减少变量显示
- 2 减少命名空间
- 3 模型的保留与加载
- 4 命令行参数应用
2.7.1 线性回归原理温习
依据数据建设回归模型，w1x1+w2x2+…..+b = y，通过实在值与预测值之间建设误差，应用梯度降落优化失去损失最小对应的权重和偏置。最终确定模型的权重和偏置参数。最初能够用这些参数进行预测。
2.7.2 案例：实现线性回归的训练
1 案例确定
- 假如随机指定100个点，只有一个特色
-
数据自身的散布为 y = 0.8 * x + 0.7
这里将数据分布的法则确定，是为了使咱们训练出的参数跟实在的参数（即0.8和0.7）比拟是否训练精确
2 API
运算
-
矩阵运算
- tf.matmul(x, w)
-
平方
- tf.square(error)
-
均值
- tf.reduce_mean(error)
梯度降落优化
-
tf.train.GradientDescentOptimizer(learning_rate)
- 梯度降落优化
- learning_rate:学习率，个别为0~1之间比拟小的值
-
method:
- minimize(loss)
- return:梯度降落op
3 步骤剖析
- 1 筹备好数据集：y = 0.8x + 0.7 100个样本
-
2 建设线性模型
- 随机初始化W1和b1
- y = W·X + b，指标：求出权重W和偏置b
- 3 确定损失函数（预测值与实在值之间的误差）-均方误差
- 4 梯度降落优化损失：须要指定学习率（超参数）
4 实现残缺性能
import tensorflow as tf
import os
def linear_regression():
"""
自实现线性回归
:return: None
"""
# 1）筹备好数据集：y = 0.8x + 0.7 100个样本
# 特征值X, 目标值y_true
X = tf.random_normal(shape=(100, 1), mean=2, stddev=2)
# y_true [100, 1]
# 矩阵运算 X（100， 1）* （1, 1）= y_true(100, 1)
y_true = tf.matmul(X, [[0.8]]) + 0.7
# 2）建设线性模型：
# y = W·X + b，指标：求出权重W和偏置b
# 3）随机初始化W1和b1
weights = tf.Variable(initial_value=tf.random_normal(shape=(1, 1)))
bias = tf.Variable(initial_value=tf.random_normal(shape=(1, 1)))
y_predict = tf.matmul(X, weights) + bias
# 4）确定损失函数（预测值与实在值之间的误差）-均方误差
error = tf.reduce_mean(tf.square(y_predict - y_true))
# 5）梯度降落优化损失：须要指定学习率（超参数）
# W2 = W1 - 学习率*(方向)
# b2 = b1 - 学习率*(方向)
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(error)
# 初始化变量
init = tf.global_variables_initializer()
# 开启会话进行训练
with tf.Session() as sess:
# 运行初始化变量Op
sess.run(init)
print("随机初始化的权重为%f， 偏置为%f" % (weights.eval(), bias.eval()))
# 训练模型
for i in range(100):
sess.run(optimizer)
print("第%d步的误差为%f，权重为%f， 偏置为%f" % (i, error.eval(), weights.eval(), bias.eval()))
return None6 变量的trainable设置察看
trainable的参数作用，指定是否训练
weight = tf.Variable(tf.random_normal([1, 1], mean=0.0, stddev=1.0), name="weights", trainable=False)2.7.3 减少其余性能
- 减少命名空间
- 命令行参数设置
2 减少命名空间
是代码构造更加清晰，Tensorboard图构造分明
with tf.variable_scope("lr_model"):def linear_regression():
# 1）筹备好数据集：y = 0.8x + 0.7 100个样本
# 特征值X, 目标值y_true
with tf.variable_scope("original_data"):
X = tf.random_normal(shape=(100, 1), mean=2, stddev=2, name="original_data_x")
# y_true [100, 1]
# 矩阵运算 X（100， 1）* （1, 1）= y_true(100, 1)
y_true = tf.matmul(X, [[0.8]], name="original_matmul") + 0.7
# 2）建设线性模型：
# y = W·X + b，指标：求出权重W和偏置b
# 3）随机初始化W1和b1
with tf.variable_scope("linear_model"):
weights = tf.Variable(initial_value=tf.random_normal(shape=(1, 1)), name="weights")
bias = tf.Variable(initial_value=tf.random_normal(shape=(1, 1)), name="bias")
y_predict = tf.matmul(X, weights, name="model_matmul") + bias
# 4）确定损失函数（预测值与实在值之间的误差）-均方误差
with tf.variable_scope("loss"):
error = tf.reduce_mean(tf.square(y_predict - y_true), name="error_op")
# 5）梯度降落优化损失：须要指定学习率（超参数）
# W2 = W1 - 学习率*(方向)
# b2 = b1 - 学习率*(方向)
with tf.variable_scope("gd_optimizer"):
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01, name="optimizer").minimize(error)
# 2）收集变量
tf.summary.scalar("error", error)
tf.summary.histogram("weights", weights)
tf.summary.histogram("bias", bias)
# 3）合并变量
merge = tf.summary.merge_all()
# 初始化变量
init = tf.global_variables_initializer()
# 开启会话进行训练
with tf.Session() as sess:
# 运行初始化变量Op
sess.run(init)
print("随机初始化的权重为%f， 偏置为%f" % (weights.eval(), bias.eval()))
# 1）创立事件文件
file_writer = tf.summary.FileWriter(logdir="./summary", graph=sess.graph)
# 训练模型
for i in range(100):
sess.run(optimizer)
print("第%d步的误差为%f，权重为%f， 偏置为%f" % (i, error.eval(), weights.eval(), bias.eval()))
# 4）运行合并变量op
summary = sess.run(merge)
file_writer.add_summary(summary, i)
return None3 模型的保留与加载
-
tf.train.Saver(var_list=None,max_to_keep=5)
- 保留和加载模型（保留文件格式：checkpoint文件）
- var_list:指定将要保留和还原的变量。它能够作为一个dict或一个列表传递.
- max_to_keep：批示要保留的最近检查点文件的最大数量。创立新文件时，会删除较旧的文件。如果无或0，则保留所有检查点文件。默认为5（即保留最新的5个检查点文件。）
应用
例如：
指定目录+模型名字
saver.save(sess, '/tmp/ckpt/test/myregression.ckpt')
saver.restore(sess, '/tmp/ckpt/test/myregression.ckpt')如要判断模型是否存在，间接指定目录
checkpoint = tf.train.latest_checkpoint("./tmp/model/")
saver.restore(sess, checkpoint)4 命令行参数应用
- 1、
- 2、 tf.app.flags.,在flags有一个FLAGS标记，它在程序中能够调用到咱们
后面具体定义的flag_name
- 3、通过tf.app.run()启动main(argv)函数
# 定义一些罕用的命令行参数
# 训练步数
tf.app.flags.DEFINE_integer("max_step", 0, "训练模型的步数")
# 定义模型的门路
tf.app.flags.DEFINE_string("model_dir", " ", "模型保留的门路+模型名字")
# 定义获取命令行参数
FLAGS = tf.app.flags.FLAGS
# 开启训练
# 训练的步数（根据模型大小而定）
for i in range(FLAGS.max_step):
sess.run(train_op)残缺代码
import tensorflow as tf
import os
tf.app.flags.DEFINE_string("model_path", "./linear_regression/", "模型保留的门路和文件名")
FLAGS = tf.app.flags.FLAGS
def linear_regression():
# 1）筹备好数据集：y = 0.8x + 0.7 100个样本
# 特征值X, 目标值y_true
with tf.variable_scope("original_data"):
X = tf.random_normal(shape=(100, 1), mean=2, stddev=2, name="original_data_x")
# y_true [100, 1]
# 矩阵运算 X（100， 1）* （1, 1）= y_true(100, 1)
y_true = tf.matmul(X, [[0.8]], name="original_matmul") + 0.7
# 2）建设线性模型：
# y = W·X + b，指标：求出权重W和偏置b
# 3）随机初始化W1和b1
with tf.variable_scope("linear_model"):
weights = tf.Variable(initial_value=tf.random_normal(shape=(1, 1)), name="weights")
bias = tf.Variable(initial_value=tf.random_normal(shape=(1, 1)), name="bias")
y_predict = tf.matmul(X, weights, name="model_matmul") + bias
# 4）确定损失函数（预测值与实在值之间的误差）-均方误差
with tf.variable_scope("loss"):
error = tf.reduce_mean(tf.square(y_predict - y_true), name="error_op")
# 5）梯度降落优化损失：须要指定学习率（超参数）
# W2 = W1 - 学习率*(方向)
# b2 = b1 - 学习率*(方向)
with tf.variable_scope("gd_optimizer"):
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01, name="optimizer").minimize(error)
# 2）收集变量
tf.summary.scalar("error", error)
tf.summary.histogram("weights", weights)
tf.summary.histogram("bias", bias)
# 3）合并变量
merge = tf.summary.merge_all()
# 初始化变量
init = tf.global_variables_initializer()
# 开启会话进行训练
with tf.Session() as sess:
# 运行初始化变量Op
sess.run(init)
# 未经训练的权重和偏置
print("随机初始化的权重为%f， 偏置为%f" % (weights.eval(), bias.eval()))
# 当存在checkpoint文件，就加载模型
# 1）创立事件文件
file_writer = tf.summary.FileWriter(logdir="./summary", graph=sess.graph)
# 训练模型
for i in range(100):
sess.run(optimizer)
print("第%d步的误差为%f，权重为%f， 偏置为%f" % (i, error.eval(), weights.eval(), bias.eval()))
# 4）运行合并变量op
summary = sess.run(merge)
file_writer.add_summary(summary, i)
return None
def main(argv):
print("这是main函数")
print(argv)
print(FLAGS.model_path)
linear_regression()
if __name__ == "__main__":
tf.app.run()作业：将面向过程改为面向对象
参考代码
# 用tensorflow自实现一个线性回归案例
# 定义一些罕用的命令行参数
# 训练步数
tf.app.flags.DEFINE_integer("max_step", 0, "训练模型的步数")
# 定义模型的门路
tf.app.flags.DEFINE_string("model_dir", " ", "模型保留的门路+模型名字")
FLAGS = tf.app.flags.FLAGS
class MyLinearRegression(object):
"""
自实现线性回归
"""
def __init__(self):
pass
def inputs(self):
"""
获取特征值目标值数据数据
:return:
"""
x_data = tf.random_normal([100, 1], mean=1.0, stddev=1.0, name="x_data")
y_true = tf.matmul(x_data, [[0.7]]) + 0.8
return x_data, y_true
def inference(self, feature):
"""
依据输出数据建设模型
:param feature:
:param label:
:return:
"""
with tf.variable_scope("linea_model"):
# 2、建设回归模型，剖析他人的数据的特色数量--->权重数量， 偏置b
# 因为有梯度降落算法优化，所以一开始给随机的参数，权重和偏置
# 被优化的参数，必须得应用变量op去定义
# 变量初始化权重和偏置
# weight 2维[1, 1] bias [1]
# 变量op当中会有trainable参数决定是否训练
self.weight = tf.Variable(tf.random_normal([1, 1], mean=0.0, stddev=1.0),
name="weights")
self.bias = tf.Variable(0.0, name='biases')
# 建设回归公式去得出预测后果
y_predict = tf.matmul(feature, self.weight) + self.bias
return y_predict
def loss(self, y_true, y_predict):
"""
目标值和实在值计算损失
:return: loss
"""
# 3、求出咱们模型跟实在数据之间的损失
# 均方误差公式
loss = tf.reduce_mean(tf.square(y_true - y_predict))
return loss
def merge_summary(self, loss):
# 1、收集张量的值
tf.summary.scalar("losses", loss)
tf.summary.histogram("w", self.weight)
tf.summary.histogram('b', self.bias)
# 2、合并变量
merged = tf.summary.merge_all()
return merged
def sgd_op(self, loss):
"""
获取训练OP
:return:
"""
# 4、应用梯度降落优化器优化
# 填充学习率：0 ~ 1 学习率是十分小，
# 学习率大小决定你达到损失一个步数多少
# 最小化损失
train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
return train_op
def train(self):
"""
训练模型
:param loss:
:return:
"""
g = tf.get_default_graph()
with g.as_default():
x_data, y_true = self.inputs()
y_predict = self.inference(x_data)
loss = self.loss(y_true, y_predict)
train_op = self.sgd_op(loss)
# 收集察看的后果值
merged = self.merge_summary(loss)
saver = tf.train.Saver()
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
# 在没训练，模型的参数值
print("初始化的权重：%f, 偏置：%f" % (self.weight.eval(), self.bias.eval()))
# 开启训练
# 训练的步数（根据模型大小而定）
for i in range(FLAGS.max_step):
sess.run(train_op)
# 生成事件文件，察看图构造
file_writer = tf.summary.FileWriter("./tmp/summary/", graph=sess.graph)
print("训练第%d步之后的损失:%f, 权重：%f, 偏置：%f" % (
i,
loss.eval(),
self.weight.eval(),
self.bias.eval()))
# 运行收集变量的后果
summary = sess.run(merged)
# 增加到文件
file_writer.add_summary(summary, i)
if __name__ == '__main__':
lr = MyLinearRegression()
lr.train()
发表回复