莫烦python|Tensorflow笔记--结果可视化、加速神经网络训练、优化器

结果可视化

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

# 添加一个神经层，定义添加神经层的函数
def add_layer(inputs, in_size, out_size, activation_function=None):
    Weights = tf.Variable(tf.random_normal([in_size, out_size]))   # in_size代表行/输入层
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
    Wx_plus_b = tf.matmul(inputs, Weights) + biases    # Wx_plus_b代表W*x+b
    if activation_function is None:    # 如果没有激励函数，即为线性关系，那么直接输出，不需要激励函数（非线性函数）
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)  # 把这个值传进去
    return outputs

# Make up some real data
x_data = np.linspace(-1, 1, 300)[:, np.newaxis]    #  输入，np.float32改变数组的长度显示，linspace创建一个从-1到1的等差数列，默认为50个数，这里规定了要生成300个数，并且使用[:, np.newaxis]将数组转换为列向量，[np.newaxis,:]可转换为行向量
noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32)    # 生成一个均值/中心为0，标准差/宽度为0.05的正太分布作为噪点/干扰点，它的格式为x_data,使得我们想要预测的函数更加接近实际情况；astype转换数据类型格式为float32
y_data = np.square(x_data) - 0.5 + noise     # x的平方减去一个任意值再加上噪点

##plt.scatter(x_data, y_data)
##plt.show()

# define placeholder for inputs to network
xs = tf.placeholder(tf.float32, [None, 1])    # 占位符，保存数据的利器，float32数据类型，[None,1]表示列为1，行不定的列向量；xs表示x_Session，因为placeholder是与Session一起用的，它在使用的时候和前面的variable不同的是在session运行阶段，需要给placeholder提供数据，利用feed_dict的字典结构给placeholdr变量“喂数据”;placeholder的语法：tf.placeholder(dtype, shape=[None,None] [, name=None])
ys = tf.placeholder(tf.float32, [None, 1])
# add hidden layer
l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)  # 创建一个隐藏层l1，输入为xs，输入的层数/神经元的个数1=输入层，输出的层数10=隐藏层中神经元的个数
# add output layer
prediction = add_layer(l1, 10, 1, activation_function=None)   # 预测值；定义输出层，输入为l1=前一层隐藏层的输出，输入的层数为10=隐藏层神经元的个数，输出的层数为1=输出一般只有1层

# the error between prediction and real data
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction), reduction_indices=[1]))  # 计算预测值prediction与真实值ys的误差：所有的平方差相加再求平均；reduction_indices = [1]表示相加的方法，[1]表示行求和，[0]表示列求和，具体解释见下文
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)    # 机器要学习的内容，使用优化器提升准确率，学习率为0.1<1，表示以0.1的效率来最小化误差loss
# important step
sess = tf.Session()   # 定义Session，并使用Session来初始化步骤
# tf.initialize_all_variables() no long valid from
# 2017-03-02 if using tensorflow >= 0.12
if int((tf.__version__).split('.')[1]) < 12 and int((tf.__version__).split('.')[0]) < 1:
    init = tf.initialize_all_variables()
else:
    init = tf.global_variables_initializer()
sess.run(init)

# plot the real data # 绘制真实数据
fig = plt.figure()  # 生成一个画框/画布
ax = fig.add_subplot(1,1,1)  # 将画框分为1行1列，并将图 画在画框的第1个位置
ax.scatter(x_data, y_data)  # 画散点图
plt.ion()     # 交互绘制功能，用于连续显示；本次运行时请注释掉这条语句，全局运行不需要注释掉
plt.show()    # 显示所绘制的图形，但是他只显示当前运行时的图像，不会一直显示多次


for i in range(1000):  # 训练1000次
    # training
    sess.run(train_step, feed_dict={xs: x_data, ys: y_data})  # 给placeholder喂数据，把x_data赋值给xs
    if i % 50 == 0:  # 每50步输出一次机器学习的误差
        # to visualize the result and improvement 可视化结果与改进
        try:
            ax.lines.remove(lines[0])  # 抹去前一条绘制的曲线，在这里我们要先抹去再绘制，防止第一次运行时报错，我们使用try语句
        except Exception:
            pass
        prediction_value = sess.run(prediction, feed_dict={xs: x_data})
        # plot the prediction  # 绘制预测数据
        lines = ax.plot(x_data, prediction_value, 'r-', lw=5)     # x轴数据，y轴数据，红色的线，线的宽度为5
        plt.pause(1)   # 绘制曲线的时间间隔为1秒

结果

散点图：

训练结果

加速神经网络训练

Stochastic Gradient Descent (SGD) 随机梯度下降

把这些数据拆分成小批小批的, 然后再分批不断放入 NN 中计算，不会丢失太多的准确率。

Momentum（常用）

学习率(learning rate) 
校正值 (dx) 
更新W 
一个形象的例子：大多数其他途径是在更新神经网络参数那一步上动动手脚. 传统的参数 W 的更新是把原始的 W 累加上一个负的学习率(learning rate) 乘以校正值 (dx). 这种方法可能会让学习过程曲折无比, 看起来像喝醉的人回家时, 摇摇晃晃走了很多弯路. 
所以我们把这个人从平地上放到了一个斜坡上, 只要他往下坡的方向走一点点, 由于向下的惯性, 他不自觉地就一直往下走, 走的弯路也变少了. 这就是 Momentum 参数更新. 

AdaGrad

在学习率上面动手脚, 使得每一个参数更新都会有自己与众不同的学习率,给他一双不好走路的鞋子, 使得他一摇晃着走路就脚疼, 鞋子成为了走弯路的阻力, 逼着他往前直着走. 

RMSProp（AlphaGo使用这款优化器来优化）

有了 momentum 的惯性原则 , 加上 adagrad 的对错误方向的阻力, 我们就能合并成这样. 让 RMSProp同时具备他们两种方法的优势. 这种方法还没把 Momentum合并完全, RMSProp 还缺少momentum 中的一部分. 

Adam（常用）

计算m 时有 momentum 下坡的属性, 计算 v 时有 adagrad 阻力的属性, 然后再更新参数时 把 m 和 V 都考虑进去. 实验证明, 大多数时候, 使用 adam 都能又快又好的达到目标, 迅速收敛. 所以说, 在加速神经网络训练的时候, 一个下坡, 一双破鞋子, 功不可没. 

优化器 optimizer

机器学习中最基础的线性优化 
tensorflow的优化器一共有七种 
 

tf.train 提供了一组有助于训练模型的类和函数。

优化器 
Optimizer基类提供了计算损失梯度的方法，并将梯度应用于变量。子类集合实现了经典的优化算法，如GradientDescent和Adagrad。

您永远不会实例化Optimizer类本身，而是实例化其中一个子类。

tf.train.Optimizer 
tf.train.GradientDescentOptimizer 
tf.train.AdadeltaOptimizer 
tf.train.AdagradOptimizer 
tf.train.AdagradDAOptimizer 
tf.train.MomentumOptimizer 
tf.train.AdamOptimizer 
tf.train.FtrlOptimizer 
tf.train.ProximalGradientDescentOptimizer 
tf.train.ProximalAdagradOptimizer 
tf.train.RMSPropOptimizer