學習tensorflow一段時間了,感覺非常的好用,在使用時,有時候最重要的是想好神經網路的結構,這樣就可以隨意的在神經網路中加如隱含層了,特別主要的是矩陣的維度相乘的問題,下面將使用tensorflow實現神經網路,做一下自己的理解.

實現無隱含層的神經網路

下面以手寫數字識別的例子作為說明.

讀入資料

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data/',one_hot=True
 
)

檢視資料情況:
分為訓練資料,驗證資料和測試資料三類.

print mnist.train.images.shape      
print mnist.train.labels.shape
print mnist.test.images.shape
print mnist.test.labels.shape
print mnist.validation.images.shape
print mnist.validation.labels.shape
######################
##這裡有55000*784,784為每一個圖片的維度,被拉成一個長的向量
(55000, 784
 
)
(55000, 10)
(10000, 784)
(10000, 10)
(5000, 784)
(5000, 10)

這裡注意一下,輸入訓練的x為 n*784 ,w 為 784*10 輸出的y為: n*10,即每一個行向量有10個列,表示了其代表0,1…9的概率值.

x = tf.placeholder(tf.float32,[None,784])其表示,在進行run的時候才讀入資料.
y = tf.nn.softmax(tf.matmul(x,W)+b) softmax為轉出每個標籤的概率,表示預測的結果.其公式為:

預測作為了,我們還需要一個損失函式,傳遞誤差,所用的損失函式為交叉熵損失:

注意reduce_sum的使用:

圖片來源:知乎

reduce_mean(-tf.reduce_sum(y_*tf.log(y),reduction_indices=[1]))
所以此語句的意思是將每一個樣本的損失加起來,然後在用reduce_mean()求平均.因為y,y’都為1*10的向量,這是要注意的.

接下來就是要定義訓練的方式,採用梯度下降,來最小話交叉熵.
tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

sess = tf.InteractiveSession()
#real data
x = tf.placeholder(tf.float32,[None,784])
y_ = tf.placeholder(tf.float32,[None,10])
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
#predict
y = tf.nn.softmax(tf.matmul(x,W)+b)
#loss 
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y),reduction_indices=[1]))
#train ways
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

進行訓練

##重點,全域性引數初始化
tf.global_variables_initializer().run()  
##迭代1000次,每次取出100個樣本進行訓練SGD
for i in range(1000):
    batch_x,batch_y = mnist.train.next_batch(100)
    train_step.run({x:batch_x,y_:batch_y})

train_step.run({x:batch_x,y_:batch_y})這種方式為在執行的時候,feed_dict給x,y_的值,其中x為訓練樣本,y_為對應的真值.

評估

#test
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))       #高維度的
acuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))    #要用reduce_mean
print acuracy.eval({x:mnist.test.images,y_:mnist.test.labels})

最終的結果為:0.9174

實現多層神經網路

為了方便的新增層,寫一個新增層的函式,其中in_size,out_size都為神經元的尺度,input為上一層的輸出,output為這一層的輸出.

完整程式碼如下:

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)
sess = tf.InteractiveSession()

#定義新增隱含層的函式
def add_layer(inputs, in_size, out_size,keep_prob=1.0,activation_function=None):
    Weights = tf.Variable(tf.truncated_normal([in_size,out_size],stddev=0.1))
    biases = tf.Variable(tf.zeros([out_size]))
    Wx_plus_b = tf.matmul(inputs, Weights) + biases
    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)
        outputs = tf.nn.dropout(outputs,keep_prob)  #隨機失活
    return outputs

# holder變數
x = tf.placeholder(tf.float32,[None,784])
y_ = tf.placeholder(tf.float32,[None,10])
keep_prob = tf.placeholder(tf.float32)     # 概率

h1 = add_layer(x,784,300,keep_prob,tf.nn.relu)
##輸出層
w = tf.Variable(tf.zeros([300,10]))     #300*10
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(h1,w)+b)

#定義loss,optimizer
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y),reduction_indices=[1]))
train_step  =tf.train.AdagradOptimizer(0.35).minimize(cross_entropy)

correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))       #高維度的
acuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))    #要用reduce_mean

tf.global_variables_initializer().run()
for i in range(3000):
    batch_x,batch_y  = mnist.train.next_batch(100)
    train_step.run({x:batch_x,y_:batch_y,keep_prob:0.75})
    if i%1000==0:
        train_accuracy = acuracy.eval({x:batch_x,y_:batch_y,keep_prob:1.0})
        print("step %d,train_accuracy %g"%(i,train_accuracy))

###########test

print acuracy.eval({x:mnist.test.images,y_:mnist.test.labels,keep_prob:1.0})

執行上述程式,得到正確為:0.9784,而這僅僅是加了一個隱含層而已.
上面的隱含層的節點加的是300個神經元,如果要再加上一層400個神經元的非常的簡單.

h1 = add_layer(x,784,300,keep_prob,tf.nn.relu)
h2 = add_layer(h1,300,400,keep_prob,tf.nn.relu)
##輸出層
w = tf.Variable(tf.zeros([400,10]))     #300*10
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(h2,w)+b)

可以看到,你可以隨意的新增隱含的節點,和節點的個數,需要注意的是,維度不要搞錯就行了.

參考資料: