[译]与TensorFlow的第一次接触（三）之聚类

转自 [译]与TensorFlow的第一次接触（三）之聚类

2016.08.09 16:58* 字数 4316 阅读 7916评论 5喜欢 18

前一章节中介绍的线性回归是一种监督学习算法，我们使用数据与输出值（标签）来建立模型拟合它们。但是我们并不总是有已经打标签的数据，却仍然想去分析它们。这种情况下，我们可以使用无监督的算法如聚类。因为聚类算法是一种很好的方法来对数据进行初步分析，所以它被广泛使用。

本章中，会讲解K-means聚类算法。该算法广泛用来自动将数据分类到相关子集合中，每个子集合中的元素都要比其它集合中的元素更相似。此算法中，我们没有任何目标或结果来预测评估。

本章中依然会介绍TensorFlow的使用，并介绍基础数据结构tensor的更多细节。本章开头介绍tensor的数据类型与分析可在该数据结构上执行的运算变换。接下来展示使用tensor来实现的K-means算法。

基础数据结构—tensor

TensorFlow使用基础数据结构---tensor来表示所有数据。一个tensor可以看成是一个拥用静态数据类型动态大小且多维的数组，它可以从布尔或string转换成数值类型。下表是一些主要类型及在Python中对对应的类型：

另外，每个tensor都有一个秩，也是tensor维度的数量。例如，下面的tensor的秩为2：

t = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]

tensor可以拥有任意秩。秩为2的tensor经常被看作矩阵，秩为1的tensor会被看作vector，秩为0的被看作标量值。

TensorFlow文档中使用三种不同称谓来描述tensor的维度：Shape，Rank，Dimension。下面的表展示了它们三者之间的关系，

TensorFlow提供的一系列操作来计算这些tensor，接下来我们会讨论下表中的一些操作。

通过本章，我们会继续讨论更多的细节。在Tensorflow的官方网站上能找到更多的操作列表及每一个操作的细节。

举个例子，假如你想扩展一个2*2000（2D tensor）为立方体（3D tensor）。可以使用tf.expand_dims函数，它可以向tensor中插入一个维度。

tf.expand_dims会向tensor中插入一个维度，插入位置就是参数代表的位置（维度从0开始）。

以可视化来展示的话，上面的转换过程如下图所示：

正如你所看到的，我们得到一个3D tensor，但根据函数参数我们无法判断新维度D0的大小。

如果调用get_shape()来获得tensor的shape，可以看到D0没有大小：

print  expanded_vectors.get_shape()

显示的结果如下：

TensorShape([Dimension(1),Dimension(2000), Dimension(2)])

本章的稍后，我们可以看到，由于TensorFlow的shape传递特性，很多tensor的数学运算函数（正如第一章中提到的）可以自已发现未确定大小维度的大小，并将该值赋给它。

TensorFlow中的数据存储

Tensorflow程序中主要有三种方式来获取数据：

1.从数据文件

2.以常数与变量预加载

3.Python代码提供的数据

下面简要描述这三种方式：

1.数据文件

通常，原始数据从数据文件中下载。这个过程并不复杂，建议读者去TensorFlow官方网站查看如何从不同类型文件中下载数据的细节。你也可以查看input_data.py代码（可以从github上下载），它会从文件中加载MNIST数据（下一章中使用该数据）。

2.变量与常数

当提到小的数据集时，数据可提前加载到内存中；正如之前例子中看到的，有两种基本方式来创建它们：

通过constant()来创建常数

通过Variable()来创建变量

TensorFlow提供了不同的操作来创建常数。下表中对最重要的几个操作进行了总结：

用TensorFlow训练模型的过程中，参数以变量的形式保存在内存中。当变量创建后，可以将其作为初始值（可能是一个常数或随机值）给一个tensor，该tensor可做为参数传给一个函数。Tensorflow提供了一系列操作来产生不同分布的随机tensor：

一个重要的细节是所有这些操作都需要一个确定shape的tensor作为参数，返回的变量拥有同样的shape。总而言之，变量拥有一个固定的shape，但如有需要，Tensorflow提供了reshape的机制。

当创建变量后，它们必须在图创建完之后且调用run()函数之前显示初始化。可以通过调用tf.initialize_all_variables()来进行初始化。在训练过程中与训练完成后，可通过tf.train.Saver()类来将变量保存到磁盘中，该类的相关细节超过了本书的讨论范围。

3.Python代码提供数据

最后，在程序执行过程中，我们可通过叫做“符号变量”或placeholder来操作数据。Placeholder（）的调用，包含了元素类型与tensor的shape为参数，还有一个可选参数name。

在Python代码中调用Session.run()或Tensro.eval()的同时，这个tensor与feed_dict参数中指定的数据相关联。第一章中的代码如下：

代码的最后一行中调用sess.run()时，我们通过feed_dict参数给两个tensor赋值。

通过简短分析tensor，希望从现在开始读者阅读接下来章节的代码时，没有任何困难。

K-means算法

K-means是一种用来解决聚类问题的无监督算法。该算法依据一个简单容易的方式来对数据集分成一定数目（假设K个类别）的类别。一个类别中的数据点是相似的，不同类别中的数据点是各种各样的，也就是说同一子类别中的元素比其它子类别中的元素更相似。

算法的结果是生成K个点集合，叫做centroids，这是不同组的焦点，标签代表了集合中的点，k个聚类都有自己的tag。一个类中的所有点离centroid要比其它任意centroid要近。

如果我们想直接最小化error function，则生成聚类是非常耗计算的（也就是NP问题）；一些算法通过启发式方法来达到局部快速收敛。更通用的算法使用迭代优化技术，仅覆盖几次迭代。

一般来说，这种技术主要有三步：

1.初始化（step 0）：初始化K个centroid的集合

2.分配（step 1）：将每一个对象赋给最近的组

3.更新（step 2）：计算每个新组的新centroid

有多种方法来初始化K个centroid。其中之一就是在数据集中随机选取K个对像并将它们看作centroid；接下来的例子中我们会使用这种方法。

分配（step 1）与更新（step 2）在循环中是可选的，循环直到算法开始收敛，举例来说就是分配点到组后，就不再发生变化。

因为这是一个启发式算法，无法保证算法收敛到最佳目标，结果依赖于初始集合。因为算法通常运行很快，可用不同的初始centroid来多次执行该算法，然后评估结果。

开始在Tensorflow中编码实现K-means算法前，建议先生成一些数据用来进行实验。有一种简单的方式，在2D空间中随机生成2000个点，它们服从两个正态分布，我们可画出空间分布来更好的理解结果。示例代码如下：

如我们在之前章节中所做的，我们可使用Python图库来用图表画出这些点。建议使用matplotlib，这次我们使用基于matplotlib的可视化库Seaborn，操作数据用库pandas，该库能运算更复杂的数据结构。

如果你没有安装这些库，在继续下一步前可能过pip来安装它们。

建议使用如下代码来显示我们随机生成的点：

这段代码生成两维空间下的点图如下：

TensorFlow中实现的K-means算法来对上面生成的点进行分组，假如四个类，求例代码如下（基于Shawn Simister在他博客中发表的模型）：

建议读者用如下代码来检查assignment_values tensor中的结果，它会生成一张分布图：

上面代码执行后生成的分布图如下：

新组

也许读者会对上面的K-means代码感到困惑。接下来详细分析每一行代码，我们会特别关注相关tensor的变化及它们在程序中如何运算。

首先需要做的是把我们的数据移到tensor中。我们将所有随机生成的点保存到常量tensor中:

vectors=tf.constant(conjunto_vectors)

根据之前讲解的算法，我们在开始就要决定初始centroids。一种方法就是从输入数据中随机选择K个对像。下面的代码就能达到这个目的，随机排列这些点并选择前K个点作为centroids：

这K个点保存在一个2D tensor中。可通过调用tf.Tensor.get_shape()获得这些tensor的shape：

我们可以看到，vectors是一个数组，D0包含了2000个positions，D1包含了每一个点的坐标x,y。centroids是包含四个元素的矩阵，D0代表每一个形心的位置，D1代表点的坐标x,y。

接下来，算法进入一个循环。第一步就是为每一个点，根据平方欧氏距离（只能被用来比较距离）计算最近的centroid。

为计算该值，需要使用tf.sub(vectors, centroides)。虽然这两个相减的tensor都是2维的，但在第1维度上有不同的大小（2000VS 4 D0中），实际上，这也代表了不同的意义。

为解决这个问题，我们需要使用之前提到的函数，如tf.expand_dims用来在两个tensor中插入一个维度。目的是把这两个tensor从2维转换成3维，使得大小匹配可以进行减法：

tf.expand_dims在每一个tensor中插入一个维度，在vector的tensor中第一维度（D0）插入，在centroides tensor中第二维度（D1）插入。从图片来看，扩展后的tensor中各维度有了同样的含义：

看上去这个问题解决了，实际上，如果仔细来看，两个tensor中都有维度不能确定大小。通过调用get_shape()可以看到：

输出如下：

1代表没有赋予大小。

之前就已经说明TensorFlow允许传递，所以tf.sub函数能够自己发现如何在两个tensor间进行减法。

直观地来看上面的图，两个tensor的形状是匹配的，而且在指定维度上也有相同的大小。这些数学运算就像发生在D2维度上那样。然而，D0中只有expanded_centroides有固定大小。

在这种情况下，TensorFlow假设expanded_vectors拥有同样的大小，如果我们想执行元素对元素的减法。

对于expended_centroides的D1同样如此，Tensorflow推断出expanded_vectors的D1大小。

在分配步骤（step 1），算法可实现为如下四行代码，用来计算平方欧氏距离：

如果我们察看tensor的形状，diff, sqr,distances and assignments的大小分别为：

tf.sub返回一个tensor，包含了两个tensor相减的值（vector表明D1的大小，centroid表明D0的大小。D2中表明了x,y）。sqr tensor包含了它们的平方。在distance tensor中，已经减少了一个维度，减少的维度在tf.reduce_sum函数中表明。

通过这个例子来表明TensorFlow提供了一些操作来进行运算，就像tf.reduce_sum来减少tensor的维度。下面的表中总结了一些很重要的操作：

最后，通过tf.argmin来赋值，它返回tensor某一维度中的最小值索引（此处为D0，代表centroid）。同样也有tf.argmax操作：

实际上，上面的四行代码可以总结成一行代码中：

assignments=tf.argmin(tf.reduce_sum(tf.square(tf.sub(expanded_vectors,expanded_centroides)),2),0)

不管如何，定义结点与执行内部图的那些内部tensor与操作都跟我们之前提到一样。

计算新形心

一旦在迭代中创建了新组，需要记住算法的新步骤中包含了计算组的新形心。正如我们之前看到的代码;

means=tf.concat(0,[tf.reduce_mean(tf.gather(vectors,tf.reshape(tf.where(tf.equal(assignments,c)),[1,-1])),reduction_indices=[1])forcinxrange(k)])

这段代码中，means tensor是连接k个tensor的结果，这k个tensor都是由那些平均值属于每一个k类的点组成的。

接下来，会详细分析计算每一个点属于哪个cluster的代码：

A.通过equal获得一个布尔tensor（Dimension(2000)），true代表了assignment tensor与K cluster相匹配的位置，同时我们也计算了点的平均值

B.where根据传进来的布尔tensor中元素值为true的位置来构造一个tensor（Dimension(1) x Dimension(2000)）

C.reshape根据vectors tensor内部那些属于c cluster的点的索引来构建一个tensor（Dimension(2000) x Dimension(1)）

D.gather从c cluster中收集所有点的坐标并创建tensor（Dimension(1) x Dimension(2000)）

E.reduce_mean则是根据c cluster中所有点的平均值来创建tensor（Dimension(1) x Dimension(2)）

如果读者想了解代码的更多细节，可访问TensorFlow api页面，通过解说例子来了解所有操作的细节。

图执行

最后，我们来描述循环相关的代码部分与用新计算的平均值tensor来更新centroide的部分。

当run()方法被调用时，我们要在更新的centroids值在下轮迭代使用前，先创建一个赋值操作符用means tensor值更新centroids值：

update_centroides=tf.assign(centroides,means)

我们同样需要在运行图之前创建一个操作来初始化所有变量：

init_op=tf.initialize_all_variables()

到现在为止，所有都准备就绪，可以开始运行图：

sess=tf.Session()

sess.run(init_op)

for step in xrange(num_steps):

_,centroid_values,assignment_values=sess.run([update_centroides,centroides,assignments])

在这段代码中，每次迭代时，centroids与为每个点新分配的cluster都会被更新。

代码中指定了三个操作，同时需要查看run()的执行状态，并按顺序来运行这三个操作。因为有三个值需要查找，sess.run()返回了三个numpy数组，每个数组分别包含了训练过程中相应的内容。

因为update_centroides这个操作的结果并不需要返回，在返回的turple中相应元素内容为空，用“_”表示不接收该参数。

对于另外两个值，centroids与将点赋给每一个cluster，一旦完成所有迭代计算后，我们可以将这两个变量打印在屏幕上。

使用简单的打印命令，输出如下：

希望读者的电脑上也有接近的值，这说明读者已经成功执行了本章中的相关代码。

建议读者在继续进行下一步之前，先尝试修改某些值。例如num_points，尤其聚类的数量，然后通过生成结果图来查看assignment_values如何变化。

为了测试本章中的代码，可通过github下载本代码。包含本章代码的文件为Kmeans.py，

本章中已经了解了一些TensorFlow的知识，尤其通过TensorFlow中实现一个聚类算法K-means来学习基础数据结构tensor。

了解了tensor后，我们在下章中可以一步步建立一个单层神经网络。