逻辑回归 | TensorFlow深度学习笔记

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)

  • 可以直接安装 anaconda (https://www.anaconda.com/download/),里面包含了各种库,也包含了ipython;
  • 推荐使用python2的版本,因为很多lib只支持python2,而且python3在升级中,支持3.4还是3.5是个很纠结的问题。

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

原文发布于微信公众号 - 人工智能LeadAI(atleadai)

原文发表时间:2017-09-22

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏机器学习算法全栈工程师

史上最详细的XGBoost实战(上)

作者:章华燕 编辑:祝鑫泉 零 环境介绍: · Python版本:3.6.2 · 操作系统:Windows · 集成开发环境:PyCharm 一 安装Pyt...

4484
来自专栏数据小魔方

excel数据转置——一维表与二维表之间的转化!

今天跟大家分享excel数据转置——一维表与二维表之间的转化! ▽ 我们在做数据搜集整理的时候 通常会遇到要将原始数据做转置处理 如下图案例所示 ? 这是一张典...

2995
来自专栏人工智能LeadAI

Tensorboard入门 | TensorFlow深度学习笔记

Tensorboard是TensorFlow自带的一个强大的可视化工具 01 功 能 这是TensorFlow在MNIST实验数据上得到Tensorboard...

3475
来自专栏ATYUN订阅号

【深度学习】图片风格转换应用程序:使用CoreML创建Prisma

WWDC 2017让我们了解了苹果公司对机器学习的看法以及它在移动设备上的应用。CoreML框架使得将ML模型引入iOS应用程序变得非常容易。 ? 大约一年前,...

4008
来自专栏大数据挖掘DT机器学习

小白一天之内玩转机器学习!

很多朋友都对机器学习心存各种敬畏之心。实际上,机器学习更多的也不过是我们“统计学习”的扩展延伸和行业实现的具体化。无非是通过样本数据发现规律性的东西...

3449
来自专栏磐创AI技术团队的专栏

Tensorboard详解(下篇)

1364
来自专栏大数据文摘

手把手 | 哇!用R也可以跑Python了

673
来自专栏华章科技

独家 | Python数据分析入门指南

有一个朋友最近问到这个问题,我觉得把它公开出来对其他人也会有帮助。这是给完全不了解Python而想找到从零到一的最简单的路径的人的建议:

733
来自专栏PHP技术

PHP7性能提升之后的思考

导读] 时下不少人拿PHP7的高性能与HHVM来做比较,那么问题来了:随着PHP7性能的提升,我们能预测出未来PHP这门语言会用PHP写出来么?最经典的实例就是...

2798
来自专栏企鹅号快讯

PHP的学习路线

1、PHP的学习路线 任何网站全都是由网页组成的,也就是说想完成一个网站,必须先学会做网页,掌握静态网页的制作技术是学习开发网站的先决条件。 因此我们要学习HT...

20910

扫描关注云+社区