http://blog.csdn.net/u011239443/article/details/79066094
TensorFlow是谷歌开源的深度学习库。不多介绍,相信准备学习TensorFlow的同学也会自己去更多的了解。本系列博文讲尽量不涉及深度学习理论,但是会给出相关理论对应的博文等资料供大家参阅。
这里,首先要跟大家介绍一个计算图的概念:
TensorFlow会根据代码先创建好计算图,然后数据会再流入这样的计算图中:
这个概念能帮助我们在编码的时候更好的去理解。我们再来理解一下TensorFlow字面上的意思:
Tensor,张量,其实我们可以简单的理解为是多维数组,这也是TensorFlow中的基本数据结构。
Flow,流,很直观的表达了,Tensor之间的转化是一种类似于数据流的方式。
大家可以根据官网 https://www.tensorflow.org/install/ ,安装还是非常方便的。
先建立计算图:
import tensorflow as tf
x = tf.Variable(3, name="x")
y = tf.Variable(4, name="y")
f=x*x*y+y+2
计算:
init = tf.global_variables_initializer() # 准备初始化全局变量,及 x 和 y
with tf.Session() as sess:
init.run() # 初始化
result = f.eval() # 计算 f
print(result)
可以看到,TensorFlow编码具有惰性,with tf.Session()
之前的代码不会直接运行,而是最后在Session
中run
的。
这里需要注意的概念是:
多个
run
不会重用已计算过的相同节点的值。
什么意思呢?我们来看下面这段代码:
w = tf.constant(3)
x=w+2
y=x+5
z=x*3
with tf.Session() as sess:
print(y.eval()) # 10
print(z.eval()) # 15
这段代码Session
中会有两个run
,第一个run
先计算出w,再计算出x,最后计算出y。第二个run
不会直接去复用x,而是从头开始,先计算出w,再计算出x,最后计算出z。如果想避免重复计算,必须只使用一个run
,如下:
with tf.Session() as sess:
y_val, z_val = sess.run([y, z])
print(y_val) # 10
print(z_val) # 15
梯度下降的理论概念可以参阅:
http://blog.csdn.net/u011239443/article/details/77852727#t3
sklearn中有加利福尼亚的房价数据,我们实践下,使用梯度下降来回归预测加利福尼亚的房价数据:
# -*- coding:utf-8 -*-
import numpy as np
import tensorflow as tf
from sklearn.datasets import fetch_california_housing
from sklearn.preprocessing import StandardScaler
n_epochs = 1000 # 迭代次数
learning_rate = 0.01
housing = fetch_california_housing()
m,n = housing.data.shape
StandardScaler() 将特征进行标准归一化,可参阅:http://blog.csdn.net/u011239443/article/details/76360294#t2
scaler = StandardScaler()
scaled_housing_data = scaler.fit_transform(housing.data)
scaled_housing_data_plus_bias = np.c_[np.ones((m, 1)), scaled_housing_data]
X = tf.constant(scaled_housing_data_plus_bias,dtype=tf.float32)
y = tf.constant(housing.target.reshape(-1,1),dtype=tf.float32)
theta = tf.Variable(tf.random_uniform([n+1,1],-1.0,1.0)) # 用随机数初始化
y_pred = tf.matmul(X,theta)
error = y_pred - y
mse = tf.reduce_mean(tf.square(error))
gradients = 2/m * tf.matmul(tf.transpose(X),error)
training_op = tf.assign(theta,theta-learning_rate * gradients)
init = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
#for x in theta:
# print(x)
for epoch in range(n_epochs):
if epoch % 100 == 0:
print("Epoch", epoch, "MSE =", mse.eval())
sess.run(training_op)
Epoch 0 MSE = 6.46781
Epoch 100 MSE = 0.664388
Epoch 200 MSE = 0.543974
Epoch 300 MSE = 0.536818
Epoch 400 MSE = 0.534512
Epoch 500 MSE = 0.532798
Epoch 600 MSE = 0.531383
Epoch 700 MSE = 0.530206
Epoch 800 MSE = 0.529225
Epoch 900 MSE = 0.528407
TensorFlow也有直接自己封装好的梯度下降优化器 GradientDescentOptimizer ,我们可以直接使用它来优化
mse。我们只需要把上述代码中的:
gradients = 2/m * tf.matmul(tf.transpose(X),error)
training_op = tf.assign(theta,theta-learning_rate * gradients)
替换成
optimizer = tf.train.GradientDescentOptimizer(learning_rate=learning_rate)
training_op = optimizer.minimize(mse)
Epoch 0 MSE = 7.25867
Epoch 100 MSE = 0.694411
Epoch 200 MSE = 0.577526
Epoch 300 MSE = 0.56535
Epoch 400 MSE = 0.55735
Epoch 500 MSE = 0.551041
Epoch 600 MSE = 0.54601
Epoch 700 MSE = 0.541978
Epoch 800 MSE = 0.538734
Epoch 900 MSE = 0.536115
参阅:http://blog.csdn.net/u011239443/article/details/78066082#t0
TensorFlow可以利用 placeholder 将微批数据喂给训练模型。
X = tf.placeholder(tf.float32,(None,n+1),'X')
y = tf.placeholder(tf.float32,(None,1),'y')
batch_size = 100
n_batches = int(np.ceil(m/batch_size))
def fetch_batch(epoch,batch_index,batch_size):
np.random.seed(epoch*n_batches+batch_index) # 每次调用 都有不同的 随机种子
indices = np.random.randint(m,size=batch_size) # 去 0 ~ m-1 之间去 batch_size 整数
X_batch = scaled_housing_data_plus_bias[indices]
y_batch = housing.target.reshape(-1,1)[indices]
return X_batch,y_batch
with tf.Session() as sess:
sess.run(init)
for epoch in range(n_epochs):
if epoch%100==0:
print("Epoch", epoch, "MSE =", mse.eval())
for batch_index in range(n_batches):
X_batch,y_batch = fetch_batch(epoch,batch_index,batch_size)
sess.run(training_op,feed_dict={X:X_batch,y:y_batch})
Epoch 0 MSE = 12.6052
Epoch 100 MSE = 0.524321
Epoch 200 MSE = 0.524321
Epoch 300 MSE = 0.524321
Epoch 400 MSE = 0.524321
Epoch 500 MSE = 0.524321
Epoch 600 MSE = 0.524321
Epoch 700 MSE = 0.524321
Epoch 800 MSE = 0.524321
Epoch 900 MSE = 0.524321
我们可以使用 Saver 来保存或者加载已经训练好的模型:
saver = tf.train.Saver()
with tf.Session() as sess:
sess.run(init)
for epoch in range(n_epochs):
if epoch%100==0:
print("Epoch", epoch, "MSE =", mse.eval())
for batch_index in range(n_batches):
X_batch,y_batch = fetch_batch(epoch,batch_index,batch_size)
sess.run(training_op,feed_dict={X:X_batch,y:y_batch})
save_path = saver.save(sess,'./my_model_final.ckpt')
可以看到路径下的文件:
我们可以使用该路径加载模型:
with tf.Session() as sess:
saver.restore(sess,'./my_model_final.ckpt')
print(mse.eval())
INFO:tensorflow:Restoring parameters from ./my_model_final.ckpt
0.524321
TensorFlow在训练模型的时候可以将训练过程通过日志保存下来。TensorBoard可以根据这些日志来可视化训练过程。
首先,我们利用当前时间给日志文件起一个唯一名字:
from datetime import datetime
now = datetime.utcnow().strftime("%Y%m%d%H%M%S")
root_logs = 'tf_logs'
logdir = "{}/run-{}".format(root_logs,now)
scalar 用于获取摘要信息,
FileWriter类提供了一种机制,在给定的目录中创建事件文件,并向其添加摘要和事件。该类将异步更新文件内容。这允许训练程序调用方法,直接从训练循环中直接向文件添加数据,而不需要减慢训练的速度。
mse_summary = tf.summary.scalar('MSE',mse)
file_writer = tf.summary.FileWriter(logdir,tf.get_default_graph())
with tf.Session() as sess:
sess.run(init)
for epoch in range(n_epochs):
for batch_index in range(n_batches):
X_batch,y_batch = fetch_batch(epoch,batch_index,batch_size)
if batch_index % 10 == 0:
summary_str = mse_summary.eval(feed_dict={X:X_batch,y:y_batch})
step = epoch * n_batches + batch_index
file_writer.add_summary(summary_str,step)
sess.run(training_op, feed_dict={X: X_batch, y: y_batch})
tensorboard --logdir tf_logs/
当处理更复杂的模型,比如神经网络时,计算图很容易就会变成成千上万个节点。为了避免这种情况,我们可以创建名称范围来分组相关的节点。比如我们把上述代码中的 error 和 mse 发到 “loss”空间里面:
with tf.name_scope("loss") as scope:
error = y_pred - y
mse = tf.reduce_mean(tf.square(error), name="mse")
print(error.op.name)
print(mse.op.name)
loss/sub
loss/mse
我们先试着实现这样功能的代码:两个回归模型,分别喂给ReLU,再将得到的结果相加:
reset_graph()
n_features = 3
X = tf.placeholder(tf.float32,(None,n_features),name='X')
w1 = tf.Variable(tf.random_normal((n_features,1)),name='w1')
w2 = tf.Variable(tf.random_normal((n_features,1)),name='w2')
b1 = tf.Variable(0.0,name='b1')
b2 = tf.Variable(0.0,name='b2')
z1 = tf.add(tf.matmul(X,w1),b1,name='z1')
z2 = tf.add(tf.matmul(X,w2),b2,name='z1')
relu1 = tf.maximum(0.0,z1,name='relu1')
relu2 = tf.maximum(0.0,z2,name='relu1')
output = tf.add(relu1,relu2)
file_writer = tf.summary.FileWriter("logs/relu0", tf.get_default_graph())
看代码,就感觉有好多重复的地方。如果需要10、20个ReLU相加的话,可想而知就会非常冗余。
我们可以使用模块化的方法将其简化:
reset_graph()
def relu(X):
with tf.name_scope('relu'):
w_shape = (int(X.get_shape()[1]),1)
w = tf.Variable(tf.random_normal(w_shape),name='w')
b = tf.Variable(0.0,name='b')
z = tf.add(tf.matmul(X,w),b)
return tf.maximum(0.0,z,name='max')
n_features = 3
X = tf.placeholder(tf.float32,(None,n_features),name='X')
relus = [relu(X) for i in range(10)]
output = tf.add_n(relus)
file_writer = tf.summary.FileWriter("logs/relu2", tf.get_default_graph())
file_writer.close()
这里除了使用模块化,还将节点塞入了名字空间’relu’中。模块化会自动生成10个 relu 节点,第一个 relu 节点名字为‘relu’,第二个为‘relu_1’,以此类推。add_n 会将 tensor list 中的元素累加。我们可以看到计算图为:
继续上面的代码,如果我们想使用 想给各个 ReLu 设置一个阈值,该怎么实现呢:
reset_graph()
def relu(X):
with tf.variable_scope('relu',reuse=True):
threshold = tf.get_variable('threshold')
w_shape = (int(X.get_shape()[1]),1)
w = tf.Variable(tf.random_normal(w_shape),name='w')
b = tf.Variable(0.0,name='b')
z = tf.add(tf.matmul(X,w),b)
return tf.maximum(threshold,z,name='max')
n_features = 3
X = tf.placeholder(tf.float32,(None,n_features),name='X')
with tf.variable_scope('relu'):
threshold = tf.get_variable('threshold',shape=(),initializer=tf.constant_initializer(0.0))
relus = [relu(X) for i in range(10)]
output = tf.add_n(relus)
file_writer = tf.summary.FileWriter("logs/relu3", tf.get_default_graph())
file_writer.close()
在 relu 函数外创建一个变量空间‘relu’,在该变量空间里面创建threshold,并初始化。在‘relu’变量空间下,是共享一个threshold的。所以,将relu函数中的变量塞到 在‘relu’变量空间下,设置
reuse=True。在‘relu’变量空间下,调用get_variable(‘threshold’),就能得到共享变量 threshold。计算图如下: