tensorflow学习笔记2

edit by Strangewx 2019.01.04

4.1 机器学习基础

4.1.1 一般结构:

初始化模型参数:通常随机赋值,简单模型赋值0

训练数据:一般打乱。random.shuffle()

在训练数据上推断模型:得到输出

计算损失:loss(X, Y)多种损失函数

调整模型参数:最小化损失 SGD等优化方法。

评估:70%:30% 分训练集和校验集

代码框架:
  1. 首先模型参数初始化,

  2. 然后为每个训练闭环中的运算定义一个方法:读取训练数据input,计算推断模型inference,计算相对期望输出的损失loss,调整模型参数train,评估训练模型evaluate,

  3. 之后启动一个Session会话对象,并进行闭环训练。

  4. 模型满意之后,导出模型,用它对所需要的数据进行推断,例如:为冰激凌App用户推荐不同口味的冰激凌。

import tensorflow as tf

#初始化变量和模型参数,定义训练闭环中的运算

def inference(X):
   #计算推断模型在数据X上的输出,并将结果返回。

def loss(X, Y):
   #依据训练数据X和期望输出Y计算损失
   
def inputs():
   #读取或生成训练数据X,期望输出Y
   
def train(total_loss):
   #依据计算的总损失,训练或调整模型参数。
   
def evalute(sess, X, Y):
   #队训练模型进行评估
   
#在一个会话对象中启动数据流图,搭建流程
with tf.Session() as sess:
   
   tf.global_variables_initializer().run()
   
   X, Y = inputs()
 
   total_loss = loss(X, Y)
   train_op = train(total_loss)
   
   coor = tf.train.Coordinator()
   threads = tf.train.start_queue_rnners(sess=sess, coor=coord)
   
   #实际训练迭代轮数
   training_steps = 1000
   for step in range(training_steps):
       sess.run([train_op])
       #为了调试和学习的目的,查看损失在训练过程中的变化
       if step % 100 == 0:
           print("loss:",sess.run([total_loss]))
   
   evalute(sess, X, Y)
   
   coord.request_stop()
   coord.join(thread)
   sess.close()  
保存训练检查点&恢复
  • tf.train.Saver()类

目的:

将数据流图中的变量保存到专门的二进制文件中。周期性保存所有变量,创建检查点(checkpoint)文件,并在必要时从最近的检查点恢复。

每次调用tf.train.Saver.save 方法,都会创建一个 my-model-step的检查点文件,如my-model-1000,my-model-2000等。默认情况保存近5次的文件

在上述框架稍作修改:

#模型定义代码 ...
#创建一个Saver()类
saver = tf.train.Saver()

#在一个会话对象中启动数据流图,搭建流程
with tf.Session() as sess:
   #模型设置...
   
   #实际的闭环训练
   for step in range(training_steps):
       sess.run([train_op])
       
       if step % 1000 == 0:
           saver.save(sess, 'my-model', global_step=step)
           
   #模型评估。。。
   #最终模型保存
   saver.save(sess, 'my-model', global_step=training_steps)
   
   sess.close()  
  • tf.train.get_checkpoint_state

验证之前是否有检查点文件被保存下来

  • tf.train.Saver.restore

负责恢复变量值。

#在一个会话对象中启动数据流图,搭建流程
with tf.Session() as sess:
   #模型设置...
   
   initial_step = 0
   
   #验证之前是否存在检查点文件
   ckpt = tf.train.get_checkpoint_state(os.path.dirname(__file__))
   if ckpt and ckpt.model_checkpoint_path:
       #从检查点恢复模型参数
       saver.restore(sess, ckpt.model_checkpoint_path)
       initial_step = int(ckpt.model_checkpoint_path.split('-', 1)[1])
   
   #实际的闭环训练
   for step in range(initial_step, training_steps):
       #...

4.1.2 整合架构

包括:一般架构,训练点保存和恢复

import tensorflow as tf

#初始化变量和模型参数,定义训练闭环中的运算

def inference(X):
   #计算推断模型在数据X上的输出,并将结果返回。

def loss(X, Y):
   #依据训练数据X和期望输出Y计算损失
   
def inputs():
   #读取或生成训练数据X,期望输出Y
   
def train(total_loss):
   #依据计算的总损失,训练或调整模型参数。
   
def evalute(sess, X, Y):
   #队训练模型进行评估
   
#--checkpoint--创建一个Saver()类
saver = tf.train.Saver()

#在一个会话对象中启动数据流图,搭建流程
with tf.Session() as sess:
   
   tf.global_variables_initializer().run()
   
   X, Y = inputs()
 
   total_loss = loss(X, Y)
   train_op = train(total_loss)
   
   coor = tf.train.Coordinator()
   threads = tf.train.start_queue_rnners(sess=sess, coor=coord)
   
   
   #--checkpoint恢复--
   initial_step = 0
   #验证之前是否存在检查点文件
   ckpt = tf.train.get_checkpoint_state(os.path.dirname(__file__))
   if ckpt and ckpt.model_checkpoint_path:
       #从检查点恢复模型参数
       saver.restore(sess, ckpt.model_checkpoint_path)
       initial_step = int(ckpt.model_checkpoint_path.split('-', 1)[1])  
   
   
   #实际训练迭代轮数
   training_steps = 10000
   for step in range(initial_step, training_steps):
       sess.run([train_op])
       #为了调试和学习的目的,查看损失在训练过程中的变化
       if step % 100 == 0:
           print("loss:",sess.run([total_loss]))
       #--checkpoint--每1000次保存训练检查点
       if step % 1000 == 0:
           saver.save(sess, 'my-model', global_step=step)
   
   evalute(sess, X, Y)
   
   #--checkpoint--最终模型保存
   saver.save(sess, 'my-model', global_step=training_steps)
   
   coord.request_stop()
   coord.join(thread)
   sess.close()  

4.2 线性回归

Y=XW + b

实例:脂肪含量和年龄,体重的关系。

代码:

import tensorflow as tf
import numpy as np

#初始化变量和模型参数
W = tf.Variable(tf.zeros([2,1]), name="weights")
b = tf.Variable(0., name="bias")

#定义闭环训练的方法
def inference(X):
   return tf.matmul(X, W) + b

def loss(X, Y):
   #此处采用均方误差
   Y_predicted = inference(X)
   return tf.reduce_sum(tf.squared_difference(Y, Y_predicted))
   
def inputs():
   #体重年龄
   weight_age = [[84, 46], [73, 20], [65, 52], [70, 30],[76, 57],
                  [69, 25], [63, 28], [72, 36], [79, 57], [75, 44],
                  [27, 24], [89, 31], [65, 52], [57, 23], [59, 60],
                  [69, 48] ,[60, 34], [79, 51], [75, 50], [82, 34],
                  [59, 46], [67, 23],[85, 37], [55, 40], [63, 30]]
   #血脂含量
   blood_fat_content = [354, 190, 405, 263, 451, 302, 288,385, 402,
                          365, 209, 290, 346, 254, 395, 434, 220, 374,
                          308,220, 311, 181, 274, 303, 244]

   return tf.to_float(weight_age), tf.to_float(blood_fat_content)

def train(total_loss):
   learning_rate = 0.0000001
   return tf.train.GradientDescentOptimizer(learning_rate).minimize(total_loss)

def evaluate(sess, X, Y):
   print(sess.run(inference([[80., 25.]])))
   print(sess.run(inference([[65., 25.]])))
   print(sess.run(inference([[84., 46.]])))

with tf.Session() as sess:
   
   tf.global_variables_initializer().run()
   
   X, Y = inputs()
   total_loss = loss(X, Y)
   train_op = train(total_loss)
   

   # 开启一个协调器  
   coord = tf.train.Coordinator()  
   # 使用start_queue_runners 启动队列填充  
   threads = tf.train.start_queue_runners(sess, coord)
   #实际训练迭代轮数
   training_steps = 5000
   for step in range(training_steps):
       sess.run([train_op])
       #为了调试和学习的目的,查看损失在训练过程中的变化
       if step % 1000 == 0:
           print("loss:",sess.run([total_loss]))
           print(W.eval(), b.eval())
   
   evaluate(sess, X, Y)
   coord.request_stop()
   coord.join(threads)
   sess.close()
'''
输出:
loss: [7608772.5]
[[2.6675313]
[1.5194209]] 0.03884
loss: [5330322.0]
[[3.5245109]
[1.5017073]] 1.1460863
loss: [5318362.0]
[[3.512061 ]
[1.4964026]] 2.2396185
loss: [5306486.5]
[[3.4996552]
[1.4911169]] 3.3292856
loss: [5294695.0]
[[3.4872932]
[1.4858491]] 4.415105
---evaluate result---
[[320.51013]]
[[268.3853]]
[[365.50278]]
'''  

小插曲《typora使用指南》

参考:https://blog.csdn.net/moonclearner/article/details/52842679

表情

Tensorflow学习笔记2019.01.22的更多相关文章

  1. Tensorflow学习笔记2019.01.03

    tensorflow学习笔记: 3.2 Tensorflow中定义数据流图 张量知识矩阵的一个超集. 超集:如果一个集合S2中的每一个元素都在集合S1中,且集合S1中可能包含S2中没有的元素,则集合S ...

  2. tensorflow学习笔记——使用TensorFlow操作MNIST数据(2)

    tensorflow学习笔记——使用TensorFlow操作MNIST数据(1) 一:神经网络知识点整理 1.1,多层:使用多层权重,例如多层全连接方式 以下定义了三个隐藏层的全连接方式的神经网络样例 ...

  3. TensorFlow学习笔记——LeNet-5(训练自己的数据集)

    在之前的TensorFlow学习笔记——图像识别与卷积神经网络(链接:请点击我)中了解了一下经典的卷积神经网络模型LeNet模型.那其实之前学习了别人的代码实现了LeNet网络对MNIST数据集的训练 ...

  4. tensorflow学习笔记——使用TensorFlow操作MNIST数据(1)

    续集请点击我:tensorflow学习笔记——使用TensorFlow操作MNIST数据(2) 本节开始学习使用tensorflow教程,当然从最简单的MNIST开始.这怎么说呢,就好比编程入门有He ...

  5. tensorflow学习笔记(3)前置数学知识

    tensorflow学习笔记(3)前置数学知识 首先是神经元的模型 接下来是激励函数 神经网络的复杂度计算 层数:隐藏层+输出层 总参数=总的w+b 下图为2层 如下图 w为3*4+4个   b为4* ...

  6. tensorflow学习笔记(2)-反向传播

    tensorflow学习笔记(2)-反向传播 反向传播是为了训练模型参数,在所有参数上使用梯度下降,让NN模型在的损失函数最小 损失函数:学过机器学习logistic回归都知道损失函数-就是预测值和真 ...

  7. tensorflow学习笔记——自编码器及多层感知器

    1,自编码器简介 传统机器学习任务很大程度上依赖于好的特征工程,比如对数值型,日期时间型,种类型等特征的提取.特征工程往往是非常耗时耗力的,在图像,语音和视频中提取到有效的特征就更难了,工程师必须在这 ...

  8. tensorflow学习笔记——VGGNet

    2014年,牛津大学计算机视觉组(Visual Geometry Group)和 Google DeepMind 公司的研究员一起研发了新的深度卷积神经网络:VGGNet ,并取得了ILSVRC201 ...

  9. TensorFlow学习笔记0-安装TensorFlow环境

    TensorFlow学习笔记0-安装TensorFlow环境 作者: YunYuan 转载请注明来源,谢谢! 写在前面 系统: Windows Enterprise 10 x64 CPU:Intel( ...

随机推荐

  1. Linux基础上

    文件操作                                                                                                 ...

  2. scrapy实战之scrapyrt的使用

    scrapyrt为scrapy提供了一个http接口,有了它,我们不用再执行命令,而是直接请求一个http接口来启动项目,如果项目是部署在远程的,会比较方便. 1.安装: pip install sc ...

  3. 解决WCF“接收对 http://xxx.svc 的 HTTP 响应时发生错误。这可能是由于服务终结点绑定未使用 HTTP 协议造成的。这还可能是由于服务器中止了 HTTP 请求上下文(可能由于服务关闭)所致"

    最近在工作中新加了一个接口,本地调试的时候,直接抛出“接收对 http://xxx.svc 的 HTTP 响应时发生错误.这可能是由于服务终结点绑定未使用 HTTP 协议造成的.这还可能是由于服务器中 ...

  4. servlet-response学习笔记

    为了给用户一个返回数据,我们需要使用HttpServletResponse 从相应对象获取一个输入流 通过输入流将返回结果写入到响应体中 关闭输入流 public class ResponseServ ...

  5. 常用font-family

    微软雅黑: Microsoft YaHei 宋体:SimSun 黑体:SimHei 仿宋: FangSong 楷体:  KaiTi 隶书:LiSu 幼圆:YouYuan 华文细黑:STXihei 华文 ...

  6. Galaxy2D Game Engine 4.2 开发版发布

    Update: ◆删除Graph_GetRenderTarget()函数,添加Graph_CopyBackBuffer()/Graph_CopyRanderTarget()函数 ◆Graph_EndS ...

  7. 如何以system身份运行指定的程序?

    Local System(本地系统)是Windows操作系统内置的特殊账户.它拥有比Administartor更高的权限.smss.exe(会话管理器).csrss.exe(客户端/服务器运行时子系统 ...

  8. Java笔记Spring(九)

    完整调试springmvc源码 WebApplicationContext = new XmlWebApplicationContext();// XmlWebApplicationContext通过 ...

  9. TCP笔记

    TCP必须是双工通讯 这种通讯方式提高通道利用率,相对于等待确认传输.

  10. Python全栈开发记录_第五篇(装饰器)

    单独记录装饰器这个知识点是因为这个知识点是非常重要的,必须掌握的(代码大约150行). 了解装饰器之前要知道三个知识点 作用域,上一篇讲到过顺序是L->E->G->B 高阶函数: 满 ...