深度学习之tensorflow（二）

#非线性回归

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

#使用numpy生成200个随机点
x_data = np.linspace(-0.5,0.5,200)[:,np.newaxis]
noise = np.random.normal(0,0.02,x_data.shape)
y_data = np.square(x_data) + noise

#定义两个placeholder
x = tf.placeholder(tf.float32,[None,1])
y = tf.placeholder(tf.float32,[None,1])

#定义神经网络中间层
Weights_L1 = tf.Variable(tf.random_normal([1,10]))
biases_L1 = tf.Variable(tf.zeros([1,10]))
Wx_plus_b_L1 = tf.matmul(x,Weights_L1) + biases_L1
L1 = tf.nn.tanh(Wx_plus_b_L1)

#定义神经网络输出层
Weights_L2 = tf.Variable(tf.random_normal([10,1]))
biases_L2 = tf.Variable(tf.zeros([1,1]))
Wx_plus_b_L2 = tf.matmul(L1,Weights_L2) + biases_L2
prediction = tf.nn.tanh(Wx_plus_b_L2)

#二次代价函数
loss = tf.reduce_mean(tf.square(y-prediction))
#使用梯度下降法训练
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

with tf.Session() as sess:
    #变量初始化
    sess.run(tf.global_variables_initializer())
    for _ in range(2000):
        sess.run(train_step,feed_dict={x:x_data,y:y_data})
        
    #获得预测值
    prediction_value = sess.run(prediction,feed_dict={x:x_data})
    #画图
    plt.figure()
    plt.scatter(x_data,y_data)
    plt.plot(x_data,prediction_value,'r-',lw=5)
    plt.show()

执行得到：

 

#手写数据识别

1、MNIST数据集

• 官网：http://yann.lecun.com/exdb/mnist/
• 下载下来的数据集被分成两部分：60,000行训练数据集和10,000行的测试数据集
• 每一张图片包含28*28个像素，把这一个数组展开成一个向量，长度为28*28=784。因此在MNIST训练数据集中mnist.train.images是一个形状为[60000,784]的张量，第一个维度数字用来索引图片，第二个维度数字用来索引每张图中的像素点。图片里某个像素的强度值介于0-1之间。

• MNIST数据集的标签是介于0-9的数字，要把标签转化为“one-hot vectors”。一个one-hot向量除了某一位数字是1以外，其余维度数字都是0。比如标签0表示为([1,0,0,0,0,0,0,0,0,0])，标签3表示为([0,0,0,1,0,0,0,0,0,0,0])
• 因此，mnist.train.labels是一个[60000,10]的数字矩阵：

2、构建一个神经网络

3、Softmax函数

• softmax经常被放在分类的最后一层，用来给不同的对象分配概率：

            

• MNIST的结果是0-9，我们的模型可能推测出一张图片是数字9的概率是80%，是数字8的概率是10%，然后其他数字的概率更小，总体概率加起来等于1，这是一个使用softmax回归模型的经典案例。

              

 

#MNIST数据集分类简单版本：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

#载入数据集
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)

#每个批次的大小
batch_size = 100
#计算一共有多少个批次
n_batch = mnist.train.num_examples // batch_size

#定义两个placeholder
x = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10])

#创建一个简单的神经网络
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(x,W)+b)

#二次代价函数
loss = tf.reduce_mean(tf.square(y-prediction))
#使用梯度下降法
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)

#初始化变量
init = tf.global_variables_initializer()

#结果存放在一个布尔型列表中
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1)) #argmax返回一维张量中最大的值所在的位置
#求准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

with tf.Session() as sess:
    sess.run(init)
    for epoch in range(21):
        for batch in range(n_batch):
            batch_xs,batch_ys = mnist.train.next_batch(batch_size)
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})
            
        acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
        print("Iter " + str(epoch) + ",Testing Accuracy " + str(acc))

执行得到：

#作业：

优化程序，把识别准确率提升到95%以上，要求不能使用LSTM网络和卷积神经网络。

Tip：

1、批次大小可以修改；

2、可以增加隐藏层；

3、权值和偏置值可以尝试使用其他初始化方式；

4、代价函数如果使用交叉商效果如何；

5、梯度下降法可以改变学习率，或者使用其他优化方式；

6、训练次数的改变。

 

#操作

1、关于批次

batch_size = 50：

batch_size = 10：

*批次越小，精确率越高，耗时越多。

*以下维持batch_size = 50：

2、关于学习率

train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)：

train_step = tf.train.GradientDescentOptimizer(0.5).minimize(loss)：

*学习率越大，精确率越大。

*以下保持学习率为0.5：

3、关于训练次数

for epoch in range(10)：

for epoch in range(25)：

*训练次数越多，精确率越高。

 

---

PS.此为学习《深度学习框架Tensorflow学习与应用》课程的笔记。【http://www.bilibili.com/video/av20542427/?share_source=copy_link&p=4&ts=1551709559&share_medium=iphone&bbid=7db773463cc4248e755f030556bc67d1】