课程目标:学习简单的数据展示,训练一个Logistics Classifier,熟悉以后要使用的数据
Install Ipython NoteBook
可以参考这个 教程 (http://opentechschool.github.io/python-data-intro/core/notebook.html)
安装anaconda后直接在终端输入 ipython notebook,则会运行一个ipython的server端,同时在你的浏览器中打开基于你终端目录的一个页面:
点开ipynb文件即可进入文件编辑页面
上图即为practical部分的教程,可以在github下载
(https://github.com/tensorflow/tensorflow/tree/master/tensorflow/examples/udacity)
官方推荐使用docker来进行这部分教程,但简单起见我们先用ipython notebook
Install TensorFlow
安装教程就在TensorFlow的github页上
按照官方的流程装就好了,这里讲一下几种方式的特点:
1、pip: 安装在全局的python解释器中,简单
2、Third party: Virtualenv, Anaconda and Docker:都能创建tensorflow独立的编译环境,但就是多了一份包
3、Source: 能够适应不同的python版本(比如编译一个3.5版的),但源码编译可能有许多坑
4、ubuntu安装时,需要注意自己的python - pip - tensorflow版本是否对应(比如是否都是2.7),
5、使用sudo命令时,注意自己的环境变量是否变化(会导致pip或python命令对应的版本变化)
6、具体讲一下ubuntu安装tensorflow流程:
1、安装anaconda2 2、确定自己终端的pip和python版本
$ pip -V && python -V
确认使用的是否都来自anaconda,如果不是,则应该使用类似这样的命令运行对应的pip:
$ /home/cwh/anaconda2/bin/pip -V
使用sudo命令时最好也看一下版本
3、使用anaconda创建一个tensorflow虚拟环境
$ conda create -n tensorflow python=2.7
4、切换到tensorflow环境下(实际上是更换了环境变量里的pip和python),下载安装tensorflow,需要sudo权限
$ source activate tensorflow (tensorflow)$ sudo pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.8.0rc0-cp27-none-linux_x86_64.wh $ source deactivate
notMNIST
修改的 MNIST(
http://yann.lecun.com/exdb/mnist/),不够干净,更接近真实数据,比MNIST任务更困难。
Todo
我将官方教程的一个文件拆成了多个(以文件持久化为边界),然后在schedule.py(https://github.com/ahangchen/GDLnotes/blob/master/src/assign_1/schedule.py) 里统一调用,在各个文件里可以执行各个部分的功能测试。
下载
代码示例:load_data.py(https://github.com/ahangchen/GDLnotes/blob/master/src/not_mnist/load_data.py)
使用urlretrieve来获取数据集notMNIST_large.tar.gz和notMNIST_small.tar.gz
解压
使用tarfile模块来解压刚刚下载的压缩包
代码示例:extract.py(https://github.com/ahangchen/GDLnotes/blob/master/src/not_mnist/extract.py)
读图-展示-序列化
1、用ndimage读取一部分图片,用pickle将读取到的对象(ndarray对象的list)序列化存储到磁盘
2、用matplotlib.plot.imshow实现图片显示,可以展示任意的numpy.ndarray,详见show_imgs(dataset)
3、这里展示的是二值化图片,可以设置显示为灰度图
4、将每个class对应的图像数据集序列化到磁盘
代码示例:img_pickle.py(https://github.com/ahangchen/GDLnotes/blob/master/src/not_mnist/img_pickle.py)
整理数据集
1、用pickle读取pickle文件,
2、从train_folder中为10个class分别获取10000个valid_dataset和20000个train_dataset,
3、其中对每个class读取到的数据,用random.shuffle将数据乱序化
4、将各个class及其对应的label序列化到磁盘,分别为训练器和校验集
5、从test_folder中为10个class分别获取10000个test_dataset,
6、其中对每个class读取到的数据,用random.shuffle将数据乱序化
7、将各个class及其对应的label序列化到磁盘,作为测试集
代码示例merge_prune.py (https://github.com/ahangchen/GDLnotes/blob/master/src/not_mnist/merge_prune.py)
去除重复数据
1、load_pickle,加载dataset
2、先将valid_dataset中与test_dataset重复部分剔除,再将train_dataset中与valid_dataset重复部分剔除
3、每个dataset都是一个二维浮点数组的list,也可以理解为三维浮点数组,
4、比较list中的每个图,也就是将list1中每个二维浮点数组与list2中每个二维浮点数组比较
5、示例代码即为clean_overlap.py(https://github.com/ahangchen/GDLnotes/blob/master/src/not_mnist/clean_overlap.py)中的imgs_idx_except
6、我们在拿list1中的一个元素跟list2中的一个元素比较时,总共需要比较len(list1) * len(list2) * image_size * image_size次,速度极慢
7、实际上这是有重复的计算的,就在于,list2中的每个元素,都被遍历了len(list1)次
8、因此有这样的一个优化,我们遍历每个图,用图中的灰度值,仿照BKDRHash,得到每个图都不同的hash值,比较hash值来比较图像
9、示例代码即为clean_overlap.py (https://github.com/ahangchen/GDLnotes/blob/master/src/not_mnist/clean_overlap.py)中的imgs_idx_hash_except
10、这样每个图都只需要访问一次,计算hash的时间变为(len(list1) + len(list2)) * image_size * image_size
11、比较的次数是len(list1) * len(list2)
12、由于我们的数据中,list1和list2的长度是大数,所以节省的时间是相当可观的
13、在我的机器上,比较完valid_dataset和test_dataset需要的时间分别是25000秒(10000次比较,每次2-3秒)和60秒
14、然后再将清理后的数据序列化到磁盘即可
代码示例: clean_overlap.py(https://github.com/ahangchen/GDLnotes/blob/master/src/not_mnist/clean_overlap.py)
训练一个logistics 模型
1、将train_dataset作为输入,用valid_dataset进行验证(预测成功率82.5%)
2、为了重复利用训练后的分类器,将其序列化到磁盘
代码示例: logistic_train.py (https://github.com/ahangchen/GDLnotes/blob/master/src/not_mnist/logistic_train.py)
Measure Performance
1、分类器会尝试去记住训练集
2、遇到训练集中没有的数据时,分类器可能就没辙了
3、所以我们应该measure的是,分类器如何产生新数据(生成能力(推导能力)越大,说明它应对新数据能力越强)
4、仅measure分类器记忆数据集的能力并不能应对新数据(没有学到规律),所以不应该拿旧数据去measure
5、因此measure的方式应该是拿新数据去看分类器的预测准确度(never see, can't memorize)
6、但是在measure的过程中,我们会根据测试数据去重新调整分类器,使其对所有测试数据都生效
7、也就是说测试数据变成了训练集的一部分,因此这部分数据我们只能作为valid_dataset,而不能用于衡量最后的performance
8、解决方法之一即,最终进行performance measure的数据集,必须是调整分类器的过程中没有使用过的
9、即坚持一个原则,测试数据不用于训练
在机器学习比赛Kaggle中,有public data,validate data,并有用于测试(选手未知)的private data,只有在训练时自己的分类器时,预先取一部分数据作为test data,才能不会在train和valid的过程中被已有数据所蒙蔽
Validation dataset
1、验证集越大,验证的可信度越大
2、统计学上,调整分类器后,当30个以上预测结果的正确性发生变化的话,这种变化是可信的,值得注意的,小于30是噪音
3、因此Validation dataset通常数据要大于30000个,在准确率变化高于0.1%时,认为分类器的performance变化
4、但这样需要的数据往往偏多,所以可以尝试交叉验证(cross validation),交叉验证有个缺点是速度慢
Github地址:https://github.com/ahangchen/GDLnotes