您可以捐助,支持我们的公益事业。

1元 10元 50元





认证码:  验证码,看不清楚?请点击刷新验证码 必填



  要资料 文章 文库 Lib 视频 Code iProcess 课程 认证 咨询 工具 讲座吧   成长之路  
会员   
 
   
 
  
每天15篇文章
不仅获得谋生技能
更可以追随信仰
 

     
   
 订阅
  捐助
TensorFlow 深度学习笔记 TensorFlow实现与优化深度神经网络
 
来源: 博客园 发布于: 2017-8-11
来自于要资料   231 次浏览     评价:      
 

Linear Model

1.加载lesson 1中的数据集

2.将Data降维成一维,将label映射为one-hot encoding

def reformat(dataset, labels):
dataset = dataset.reshape((-1, image_size * image_size)).astype(np.float32)
# Map 0 to [1.0, 0.0, 0.0 ...], 1 to [0.0, 1.0, 0.0 ...]
labels = (np.arange(num_labels) == labels[:, None]).astype(np.float32)
return dataset, labels

TensorFlow Graph

1.使用梯度计算train_loss,用tf.Graph()创建一个计算单元

2.用tf.constant将dataset和label转为tensorflow可用的训练格式(训练中不可修改)

3.用tf.truncated_normal生成正太分布的数据,作为W的初始值,初始化b为可变的0矩阵

4.用tf.variable将上面的矩阵转为tensorflow可用的训练格式(训练中可以修改)

5.用tf.matmul实现矩阵相乘,计算WX+b,这里实际上logit只是一个变量,而非结果

6.用tf.nn.softmax_cross_entropy_with_logits计算WX+b的结果相较于原来的label的train_loss,并求均值

7.使用梯度找到最小train_loss

optimizer = tf.train.GradientDescentOpt

imizer(0.5).minimize(loss)

8.计算相对valid_dataset和test_dataset对应的label的train_loss

上面这些变量都是一种Tensor的概念,它们是一个个的计算单元,我们在Graph中设置了这些计算单元,规定了它们的组合方式,就好像把一个个门电路串起来那样

TensorFLow Session

Session用来执行Graph里规定的计算,就好像给一个个门电路通上电,我们在Session里,给计算单元冲上数据,That’s Flow.

1.重复计算单元反复训练800次,提高其准确度

2.为了快速查看训练效果,每轮训练只给10000个训练数据(subset),恩,每次都是相同的训练数据

3.将计算单元graph传给session

4.初始化参数

5.传给session优化器 - train_loss的梯度optimizer,训练损失 - train_loss,每次的预测结果,循环执行训练

with tf.Session(graph=graph) as session:
tf.initialize_all_variables().run()
for step in range(num_steps):
_, l, predictions = session.run([optimizer, loss, train_prediction])

6.在循环过程中,W和b会保留,并不断得到修正

7.在每100次循环后,会用验证集进行验证一次,验证也同时修正了一部分参数

valid_prediction.eval()

8.最后用测试集进行测试

9.注意如果lesson 1中没有对数据进行乱序化,可能训练集预测准确度很高,验证集和测试集准确度会很低

10.这样训练的准确度为83.2%

SGD

1.每次只取一小部分数据做训练,计算loss时,也只取一小部分数据计算loss

2.对应到程序中,即修改计算单元中的训练数据,

3.每次输入的训练数据只有128个,随机取起点,取连续128个数据:

offset = (step * batch_size) % (train_labels.shape[0] - batch_size)
batch_data = train_dataset[offset:(offset + batch_size), :]
batch_labels = train_labels[offset:(offset + batch_size), :]

4.由于这里的数据是会变化的,因此用tf.placeholder来存放这块空间

tf_train_dataset = tf.placeholder(tf.float32,
shape=(batch_size, image_size * image_size))
tf_train_labels = tf.placeholder(tf.float32, shape=(batch_size, num_labels))

5.计算3000次,训练总数据量为384000,比之前8000000少

6.准确率提高到86.5%,而且准确率随训练次数增加而提高的速度变快了

神经网络

1.上面SGD的模型只有一层WX+b,现在使用一个RELU作为中间的隐藏层,连接两个WX+b

2.仍然只需要修改Graph计算单元为

Y = W2 * RELU(W1*X + b1) + b2

3.为了在数学上满足矩阵运算,我们需要这样的矩阵运算:

[n * 10] = RELU([n * 784] · [784 * N] + [n * N]) · [N * 10] + [n * 10]

4.这里N取1024,即1024个隐藏结点

5.于是四个参数被修改

weights1 = tf.Variable(
tf.truncated_normal([image_size * image_size, hidden_node_count]))
biases1 = tf.Variable(tf.zeros([hidden_node_count]))
weights2 = tf.Variable(
tf.truncated_normal([hidden_node_count, num_labels]))
biases2 = tf.Variable(tf.zeros([num_labels]))

6.预测值计算方法改为

ys = tf.matmul(tf_train_dataset, weights1) + biases1
hidden = tf.nn.relu(ys)
logits = tf.matmul(hidden, weights2) + biases2

7.计算3000次,可以发现准确率一开始提高得很快,后面提高速度变缓,最终测试准确率提高到88.8%

深度神经网络实践

优化

Regularization

在前面实现的RELU连接的两层神经网络中,加Regularization进行约束,采用加l2 norm的方法,进行调节:

代码实现上,只需要对tf_sgd_relu_nn中train_loss做修改即可:

1.可以用tf.nn.l2_loss(t)对一个Tensor对象求l2 norm

2.需要对我们使用的各个W都做这样的计算(参考tensorflow官方example)

l2_loss = tf.nn.l2_loss(weights1) + tf.nn.l2_loss(weights2)

3.添加到train_loss上

4.这里还有一个重要的点,Hyper Parameter: β

5.我觉得这是一个拍脑袋参数,取什么值都行,但效果会不同,我这里解释一下我取β=0.001的理由

6.如果直接将l2_loss加到train_loss上,每次的train_loss都特别大,几乎只取决于l2_loss

7.为了让原本的train_loss与l2_loss都能较好地对参数调整方向起作用,它们应当至少在同一个量级

8.观察不加l2_loss,step 0 时,train_loss在300左右

9.加l2_loss后, step 0 时,train_loss在300000左右

10.因此给l2_loss乘0.0001使之降到同一个量级

loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with

_logits(logits, tf_train_labels)) + 0.001 * l2_loss

11.所有其他参数不变,训练3000次,准确率提高到92.7%

12.黑魔法之所以为黑魔法就在于,这个参数可以很容易地影响准确率,如果β = 0.002,准确率提高到93.5%

OverFit问题

1.在训练数据很少的时候,会出现训练结果准确率高,但测试结果准确率低的情况

2.缩小训练数据范围:将把batch数据的起点offset的可选范围变小(只能选择0-1128之间的数据):

offset_range = 1000
offset = (step * batch_size) % offset_range

3.可以看到,在step500后,训练集就一直是100%,验证集一直是77.6%,准确度无法随训练次数上升,最后的测试准确度是85.4%

DropOut

1.采取Dropout方式强迫神经网络学习更多知识

2.我们需要丢掉RELU出来的部分结果

keep_prob = tf.placeholder(tf.float32)
if drop_out:
hidden_drop = tf.nn.dropout(hidden, keep_prob)
h_fc = hidden_drop

3.调用tf.nn.dropout达到我们的目的:

4.这里的keep_prob是保留概率,即我们要保留的RELU的结果所占比例,tensorflow建议的语法是,让它作为一个placeholder,在run时传入

5.当然我们也可以不用placeholder,直接传一个0.5:

if drop_out:
hidden_drop = tf.nn.dropout(hidden, 0.5)
h_fc = hidden_drop

6.这种训练的结果就是,虽然在step 500对训练集预测没能达到100%(起步慢),但训练集预测率达到100%后,验证集的预测正确率仍然在上升

7.这就是Dropout的好处,每次丢掉随机的数据,让神经网络每次都学习到更多,但也需要知道,这种方式只在我们有的训练数据比较少时很有效

8.最后预测准确率为88.0%

Learning Rate Decay

1.随着训练次数增加,自动调整步长

2.在之前单纯两层神经网络基础上,添加Learning Rate Decay算法

3.使用tf.train.exponential_decay方法,指数下降调整步长,具体使用方法官方文档说的特别清楚

4.注意这里面的cur_step传给优化器,优化器在训练中对其做自增计数

5.与之前单纯两层神经网络对比,准确率直接提高到90.6%

Deep Network

增加神经网络层数,增加训练次数到20000

1.为了避免修改网络层数需要重写代码,用循环实现中间层

# middle layer
for i in range(layer_cnt - 2):
y1 = tf.matmul(hidden_drop, weights[i]) + biases[i]
hidden_drop = tf.nn.relu(y1)
if drop_out:
keep_prob += 0.5 * i / (layer_cnt + 1)
hidden_drop = tf.nn.dropout(hidden_drop, keep_prob)

2.初始化weight在迭代中使用

for i in range(layer_cnt - 2):
if hidden_cur_cnt > 2:
hidden_next_cnt = int(hidden_cur_cnt / 2)
else:
hidden_next_cnt = 2
hidden_stddev = np.sqrt(2.0 / hidden_cur_cnt)
weights.append(tf.Variable(tf.truncated_norma

l([hidden_cur_cnt, hidden_next_cnt], stddev=

hidden_stddev)))
biases.append(tf.Variable(tf.zeros([hidden_

next_cnt])))
hidden_cur_cnt = hidden_next_cnt

3.第一次测试时,用正太分布设置所有W的数值,将标准差设置为1,由于网络增加了一层,寻找step调整方向时具有更大的不确定性,很容易导致loss变得很大

4.因此需要用stddev调整其标准差到一个较小的范围(怎么调整有许多研究,这里直接找了一个来用)

stddev = np.sqrt(2.0 / n)

5.启用regular时,也要适当调一下β,不要让它对原本的loss造成过大的影响

6.DropOut时,因为后面的layer得到的信息越重要,需要动态调整丢弃的比例,到后面的layer,丢弃的比例要减小

keep_prob += 0.5 * i / (layer_cnt + 1)

7.训练时,调节参数,你可能遇到消失(或爆炸)的梯度问题,

8.训练到一定程度后,梯度优化器没有什么作用,loss和准确率总是在一定范围内徘徊

9.官方教程表示最好的训练结果是,准确率97.5%,

10.我的nn_overfit.py开启六层神经网络,

11.启用Regularization、DropOut、Learning Rate Decay,

12.训练次数20000(应该还有再训练的希望,在这里虽然loss下降很慢了,但仍然在下降),训练结果是,准确率95.2%

   
 订阅
  捐助
相关文章

我们该如何设计数据库
数据库设计经验谈
数据库设计过程
数据库编程总结
 
相关文档

数据库性能调优技巧
数据库性能调整
数据库性能优化讲座
数据库系统性能调优系列
相关课程

高性能数据库设计与优化
高级数据库架构师
数据仓库和数据挖掘技术
Hadoop原理、部署与性能调优
 
每天2个文档/视频
扫描微信二维码订阅
订阅技术月刊
获得每月300个技术资源
 
 

关于我们 | 联系我们 | 京ICP备10020922号 京公海网安备110108001071号