TensorFlow笔记_初识神经网络设计过程

神经网络设计过程

1. 准备数据，要构成特征和标签对
2. 搭建神经网络的网络结构
3. 通过反向传播，优化连接的权重，直到模型的准确率达到要求，得到最优的连线权重，然后将模型保存起来
4. 用保存的模型，输入从未见过的新数据，它会通过前向传播输出概率值，概率值最大的就是分类和预测的结果

鸢尾花分类为例

1构建数据集

数据集包括鸢尾花萼长、花萼宽、花瓣长、花瓣宽以及对应的类别，鸢尾花萼长、花萼宽、花瓣长、花瓣宽作为输入特征，类别作为标签，0代表狗尾草鸢尾，1代表杂色鸢尾，2代表弗吉尼亚鸢尾.

2搭建和训练网络

鸢尾花神经网络简要模型如下，，所有的输入x乘以各自线上的权重w求和加上偏置b得到输出y，输入特征x的形状为1行4列，输出y的形状为1行3列，权重w的形状为4行3列，有3个偏置项。

 搭建神经网络模型如下，输入特征数据，并对线上权重w和偏置b进行初始化。

 输入标签为0的狗尾草鸢尾，按照的方式进行前向传播，计算过程如下。

通过输出y可以看出数值最大的时1类，而不是0类，这是由于最初参数w和b是随机产生的。

为了修正上述结果，用损失函数定义预测值和标准答案的差，当损失函数最小时，即可得到最优的w和b的值。均方误差是一种常用的损失函数，它计算了每个前向传播输出和标准答案的差求平方再除以n求平均，表征了网络前向传播推理结果和标准答案之间的差距。

 为了寻找一组w和b使得损失函数最小，采用梯度下降的方法。

损失函数的梯度表示损失函数对各参数求偏导后的向量，损失函数梯度下降的方向就是损失函数减小的方向。梯度下降法就是沿着损失函数梯度下降的方向，寻找损失函数的最小值，从而得到最优的参数。

梯度下降法公式如下，lr表示学习率，是一个超参数，表征梯度下降的速度。学习率过小，参数更新很慢，学习率过大，参数可能会在最小值附近跳动。

 上述梯度下降法更新参数的过程为反向传播，反向传播是从后向前，逐层求损失函数对每层神经元参数的偏导数，迭代更新所有参数。

举个例子，损失函数为loss=(w+1)^2，loss最小时，w=-1，即w=-1是最优参数w。

 程序实现上述例子的参数优化过程。

当学习率为0.2时，找到了w的最优值。

import tensorflow as tf
w = tf.Variable(tf.constant(5,dtype=tf.float32))  #w的随即初始值为5
lr = 0.2  #学习率为0.2
epoch = 40  #循环迭代40次
for epoch in range(epoch):  # for epoch 定义顶层循环，表示对数据集循环epoch次
    with tf.GradientTape() as tape:  # with结构到grads框起了梯度的计算过程。
        loss = tf.square(w + 1)  #损失函数为（w+1）的平方
    grads = tape.gradient(loss, w)  # .gradient函数告知谁对谁求导

    w.assign_sub(lr * grads)  # .assign_sub 对变量做自减 即 w = w - lr*grads
    print("After %s epoch,w is %f,loss is %f" % (epoch, w.numpy(), loss))

 当学习率为0.001时，学习率过小，参数更新很慢，40轮训练无法找到最优值。

lr = 0.001  #学习率为0.001

 当学习率为0.999时，学习率过大，参数在最优值两边跳动，同样无法找到最优值。

lr = 0.999  #学习率为0.999