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 = e^i/(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