深度学习_1_神经网络_1

神经网络

感知机

解决分类问题

http://playground.tensorflow.org

神经网络

定义:

​ 在机器学习领域和认知科学领域,人工神经网络(artificial neural network) 简称ann或类神经网络,一种放生物 神经网络的结构和功能的计算模型,用于对函数进行估计或近似.

种类:

• ​ 基础神经网络:单层感受器,线性神经网络,BP神经网络,Hopfield神经网络
• ​ 进阶神经网络:玻尔兹曼机,受限玻尔兹曼机,递归神经网络
• ​ 深度神经网络:深度置信网络,卷积神将网络,循环神将网络,LSTM网络

神经网络的特点

• ​ 输入向量的维度和输入神经元的个数相同
• ​ 每个链接都有权值
• ​ 同一层神经元之间没有连接
• ​ 有输入层,隐层,输出层组成
• ​ 第N层与第N-1层的所有神经元链接,也叫全连接

组成

• ​ 结构(Architecture):神经网络中的权重,神经元等等
• ​ 激活函数(Activity Rule)
• ​ 学习规则(Learning Rule)学习规则指定了网络中的权重如何随着时间的推移而调整(反向传播算法)

全连接层有多少个圆,最后就有多少输出

神将网络API模块

• ​ tf.nn:提供神经网络相关操作的支持,包括卷积操作(conv),池化操作(pooling),归一化,loss,分类操作,embedding,RNN,Evaluation. (底层一点)
• ​ tf.layers:主要提供高层的神经网络,主要和卷积线管的,对tf.nn的进一步封装(高级一点)
• ​ tf.contrib:tf.contrib.layers 提供够将计算图中的网络层,正则化,摘要操作,是构建计算图的高级操作,但是tf.contrib包不稳定以及一些实验代码

浅层人工神经网络模型

• ​ softmax回归 (主要解决分类) Si = ei/(求和j(e^j))

• ​ 损失计算api
• ​ 其他api介绍

简单的神经网络实现手写数字识别

1，API介绍

• 全连接-从输入直接到输出

tf.matmul(a,b,name=None)+bias 特征加权

​ return:全连接结果，供交叉损失运算

不需要激活函数（因为是最后的输出）

• SoftMax计算，交叉熵

tf.nn.softmax_corss_entropy_with_logits(labels=None,logits=None,name=None) 计算logits和labels之间的交叉损失熵

​ labels:标签值（真实值）

​ logits:样本值:样本加权之后的值

​ return:返回损失函数列表

• 损失列表平均值计算

tf.reduce_mean(input_tensor)

• 损失下降API

tf.train.GradientDescentOptimizer(learning_rate) 梯度下降优化

​ learning_rate:学习率

​ minimize:最小优化损失

​ return:梯度下降op

2，Minst手写数字识别

• 数据集 http://yann.lecun.com/exdb/mnist 55000训练集 10000测试集 每行包含两个部分，图片 标签
• 数据读取 from tensorflow.example.tutorials.minst import imput_data mnist = input_data.read_data_sets(FLAGS.data_dir,one_hot=True) 使用API读取
• 准确率计算 equal_list = tf.equal(tf.argmax(y,1),tf.argmax(y_label,1)) 1表示按照列比较，返回一个None的 数值的列表，为1表示该样本预测正确，0错误 输入真实的结果（在本例中：每行是对应样本的一行ont_hot），和预测矩阵 每个样本的预测值 accuracy=tf.tf.reduce_mean(tf.cast(equal_list,tf.float32)) 准确率
• 简单实例深度神经网络 def simplePictureRecoginze(): from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets(r"I:\人工智能数据\mnist_65000_28_28_simple_number", one_hot=True) # mnist.train.image 60000 行 784 列 # mnist.train.image[0]获取具体的一张图片 # mnist.train.labels 60000 行 10 列 # mnist.train.next_batch(50) 返回两个二维数组，50张图片，50张图片标签对应的ont_hot编码 import tensorflow as tf FLAGS=tf.flags.FLAGS tf.flags.DEFINE_integer("is_train",1,"指定程序是预测还是训练") tf.flags._FlagValuesWrapper # 1,建立数据占位符x[None,748] y_true=[None,10] with tf.variable_scope("data"): x = tf.placeholder(tf.float32, [None, 784]) y_true = tf.placeholder(tf.int32, [None, 10]) # 2,建立全连接层的神经网络 w[784,10] b[10] with tf.variable_scope("fc_model"): # 随机初始化权重和偏执 weight = tf.Variable(tf.random_normal([784, 10], mean=0.0, stddev=1.0), name="w") bias = tf.Variable(tf.constant(0.0, shape=[10])) # 预测None个样本的输出结果 [None，784]*[784,10]+[10] = [None,10] y_predict = tf.matmul(x, weight) + bias # 3,求出所有样本的损失，求平均值 with tf.variable_scope("soft_cross"): # 求平均值交叉熵损失 loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_true, logits=y_predict)) # 4,梯度下降求出损失 with tf.variable_scope("optimizer"): train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss) # 5,计算准确率 with tf.variable_scope("acc"): equal_list = tf.equal(tf.argmax(y_true, 1), tf.argmax(y_predict, 1)) accuracy = tf.reduce_mean(tf.cast(equal_list, tf.float32)) # 收集变量 tf.summary.scalar("losses",loss) tf.summary.scalar("acc",accuracy) # 高纬度变量收集 tf.summary.histogram("weights",weight) tf.summary.histogram("biases",bias) # 定义一个初始化变量的op init_op = tf.global_variables_initializer() # 定义合并变量的op merge = tf.summary.merge_all() # 创建saver保存模型 save = tf.train.Saver() # 开启会话训练 with tf.Session() as sess: sess.run(init_op) # 迭代步数取训练，更新参数预测 # 建立events文件，写入 events = r"./summary" model = r"./Model/ckpt" filewriter = tf.summary.FileWriter(events,graph=sess.graph) if FLAGS.is_train == 1: for i in range(2000): # 取出特征值，目标值 mnist_x, mnist_y = mnist.train.next_batch(50) feed_dict = {x: mnist_x, y_true: mnist_y} # 运行训练 sess.run(train_op, feed_dict=feed_dict) print("训练第%d的次，准确率为：%f"%(i,sess.run(accuracy,feed_dict=feed_dict))) # 写入每部训练的值 summary = sess.run(merge,feed_dict=feed_dict) filewriter.add_summary(summary,i) # 保存模型 save.save(sess, model) else: # 加载模型 save.restore(sess,model) # 如果是0，做出预测 for i in range(100): # 每次测试一张图片 x_test,y_test = mnist.test.next_batch(1) print("第%d张图片，手写数字目标是：%d，预测结果是：%d" % (i, tf.argmax(y_test,1).eval(), tf.argmax(sess.run(y_predict,feed_dict={x:x_test,y_true: y_test}),1).eval()) ) return None