一、前述
ANN人工神经网络有两个或两个以上隐藏层,称为DNN
只有一个隐藏层是多层感知机
没有隐藏层是感知机
二、反向传播应用举例
举例:
正向传播,反向传播是一次迭代,
正向传播:在开始的每一层上都有一个参数值w,初始的时候是随机的,前向带入的是每一个样本值。
反向传播:然后反过来求所有的梯度值。如果是BGD则再根据公式wt=wt-1-ag进行调整所有w值。
然后再正向传播,迭代,以此类推。
softmax通常用于最后一层的激活函数
前面层用relu函数
三、激活函数之Relu
公式:
解释:
Rectified Linear Units
ReLU计算线性函数为非线性,如果大于0就是结果,否则就是0
生物神经元的反应看起来其实很像Sigmoid激活函数,所有专家在Sigmoid上卡了很长时间,但是后
来发现ReLU才更适合人工神经网络,这是一个模拟生物的误解
如果w为0,反过来梯度下降求导的时候每根线上的梯度都一样。
代码:
import tensorflow as tf def relu(X): w_shape = (int(X.get_shape()[1]), 1) w = tf.Variable(tf.random_uniform(w_shape), name='weights') b = tf.Variable(0.0, name='bias') z = tf.add(tf.matmul(X, w), b, name='z') return tf.maximum(z, 0., name='relu') n_features = 3 X = tf.placeholder(tf.float32, shape=(None, n_features), name='X') relus = [relu(X) for i in range(5)]#list生成器 output = tf.add_n(relus, name='output')#将集合中的元素加和在一起 init = tf.global_variables_initializer() with tf.Session() as sess: sess.run(init) result = output.eval(feed_dict={X: [[1, 2, 3], [4, 5, 6], [7, 8, 9]]})#把里面placehoder的值传进来 print(result)
四、激活函数和导数
五、DNN代码
import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data import numpy as np from tensorflow.contrib.layers import fully_connected # 构建图阶段 n_inputs = 28*28#输入节点 n_hidden1 = 300#第一个隐藏层300个节点 对第一个隐藏层前面有784*300跟线去算 n_hidden2 = 100#第二个隐藏层100个节点 对第二个隐藏层300*300根线 n_outputs = 10#输出节点 X = tf.placeholder(tf.float32, shape=(None, n_inputs), name='X') y = tf.placeholder(tf.int64, shape=(None), name='y') #自己手写的实现逻辑 # 构建神经网络层,我们这里两个隐藏层,基本一样,除了输入inputs到每个神经元的连接不同 # 和神经元个数不同 # 输出层也非常相似,只是激活函数从ReLU变成了Softmax而已 # def neuron_layer(X, n_neurons, name, activation=None):# X是输入,n_neurons是这一层神经元个数,当前隐藏层名称,最后一个参数是加不加激活函数 # # 包含所有计算节点对于这一层,name_scope可写可不写 # with tf.name_scope(name):#with让代码看起来更加优雅一些 # # 取输入矩阵的维度作为层的输入连接个数 # n_inputs = int(X.get_shape()[1]) # stddev = 2 / np.sqrt(n_inputs)#求标准方差 # # 这层里面的w可以看成是二维数组,每个神经元对于一组w参数 # # truncated normal distribution(调整后的正态分布) 比 regular normal distribution(正态分布)的值小 # # 不会出现任何大的权重值,确保慢慢的稳健的训练 # # 使用这种标准方差会让收敛快 # # w参数需要随机,不能为0,否则输出为0,最后调整都是一个幅度没意义 # init = tf.truncated_normal((n_inputs, n_neurons), stddev=stddev)#把初始参数随机出来,比较小,不会出现大的权重值 # w = tf.Variable(init, name='weights') # b = tf.Variable(tf.zeros([n_neurons]), name='biases')#b可以全为0 # # 向量表达的使用比一条一条加和要高效 # z = tf.matmul(X, w) + b # if activation == "relu": # return tf.nn.relu(z) # else: # return z #自己手写的实现逻辑 ''' with tf.name_scope("dnn"): hidden1 = neuron_layer(X, n_hidden1, "hidden1", activation="relu") hidden2 = neuron_layer(hidden1, n_hidden2, "hidden2", activation="relu") # 进入到softmax之前的结果 logits = neuron_layer(hidden2, n_outputs, "outputs") ''' #用Tensorflow封装的函数 with tf.name_scope("dnn"): # tensorflow使用这个函数帮助我们使用合适的初始化w和b的策略,默认使用ReLU激活函数 hidden1 = fully_connected(X, n_hidden1, scope="hidden1")#构建第一层隐藏层 全连接 hidden2 = fully_connected(hidden1, n_hidden2, scope="hidden2")#构建第二层隐藏层 全连接 logits = fully_connected(hidden2, n_outputs, scope="outputs", activation_fn=None)#构建输出层 #注意输出层激活函数不需要 with tf.name_scope("loss"): # 定义交叉熵损失函数,并且求个样本平均 # 函数等价于先使用softmax损失函数,再接着计算交叉熵,并且更有效率 # 类似的softmax_cross_entropy_with_logits只会给one-hot编码,我们使用的会给0-9分类号 xentropy = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=y, logits=logits)#封装好了损失函数 #把真实的Y值做onehot编码 loss = tf.reduce_mean(xentropy, name="loss")#求平均 learning_rate = 0.01 with tf.name_scope("train"): optimizer = tf.train.GradientDescentOptimizer(learning_rate)#创建梯度下降的优化器 training_op = optimizer.minimize(loss)#最小化损失 with tf.name_scope("eval"):#评估 # 获取logits里面最大的那1位和y比较类别好是否相同,返回True或者False一组值 correct = tf.nn.in_top_k(logits, y, 1)#logits返回是类别号 y也是类别号 accuracy = tf.reduce_mean(tf.cast(correct, tf.float32))#转成1.0 0.0 init = tf.global_variables_initializer() saver = tf.train.Saver() # 计算图阶段 mnist = input_data.read_data_sets("MNIST_data_bak/") n_epochs = 400 #运行400次 batch_size = 50 #每一批次运行50个 with tf.Session() as sess: init.run() for epoch in range(n_epochs): for iterationo in range(mnist.train.num_examples//batch_size):#总共多少条/批次大小 X_batch, y_batch = mnist.train.next_batch(batch_size)#每次传取一小批次数据 sess.run(training_op, feed_dict={X: X_batch, y: y_batch})#传递参数 acc_train = accuracy.eval(feed_dict={X: X_batch, y: y_batch})#每运行一次 看训练集准确率 acc_test = accuracy.eval(feed_dict={X: mnist.test.images,#每运行一次 看测试集准确率 y: mnist.test.labels}) print(epoch, "Train accuracy:", acc_train, "Test accuracy:", acc_test) save_path = saver.save(sess, "./my_dnn_model_final.ckpt") # 使用模型预测 with tf.Session as sess: saver.restore(sess, "./my_dnn_model_final.ckpt") X_new_scaled = [...] Z = logits.eval(feed_dict={X: X_new_scaled}) y_pred = np.argmax(Z, axis=1) # 查看最大的类别是哪个