• tensorflow 从入门到上天教程一


    tensorflow 是一个google开源的深度学习的框架,执行性能良好,值得使用。

    caffe,caffe2 通过配置就可以拼凑一个深度学习框架,大大简化流程但也依赖大量的开源库,性能也不错。2013开始面世,很有活力的一个框架。

    keras 这个一个积木式的框架,有很多现成的函数 可以直接拿来用,开发速度杠杠的,就是缺少灵活性。

    MXNet 是一个全功能,灵活可编程和高扩展性的深度学习框架,可能学术上用的比较多吧!

    Torch 是一个facebook在维护的框架,灵活性也很大,不过要lua语言结合使用;

    CNTK微软推出的一个深度学习框架,可以在window上执行,性能据说是最优的,可是使用者不多,可能是市场都被主流的几个占有了;

    Deeplearning4j  java的一个深度学习库,不甚了解;

    Theano 是一个很古老的框架,在研究室就开始使用,性能比较差,速度最慢的,生产环境不会用的,只是现在有些研究室还在用。

    其他:

    SciKit-learn 是老牌的开源 Python 算法框架 

    openCV 是一个图片及视觉算法的框架

    =============================================================

    最要建议就是学学:

       tensorflow + caffe(caffe2)

    其实想深入研究原理也可以简单使用

      numpy + matplotlib 

    ===============================================================

    tensorflow的运行规律,就是步骤了:

    1, 创建tensorflow变量,初始变量,用于执行的的
    2, 设置操作的配置
    3, 初始化tensorflow 例子
    4, 创建tensorflow session (session是执行引擎)
    5, 执行session 即运行你的例子

    ==============================================================

    以上是tensorflow使用的一般步骤,接下来就一个线性回归的例子来,我们先分拆各个代码块来讲解,然后把把代码块合并成一个大的例子。在看tensorflow这个例子,你最好有一些深度学习的基础,以免看得一头雾水。

    (1)   loss函数的计算:

        

          y_hat = tf.constant(36,name=’y_hat’)
          y = tf.constant(39,name=’y’)     
          loss = tf.Variable((y-y_hat)**2,name=’loss’)
          init = tf.global_variables_initializer()
          with tf.Session() as session:
              session.run(init)             # 初始化全局变量
              print(session.run(loss))     # 执行计算 打印出最好loss的值

    (2)   计算返回的机制

    a = tf.constant(2)
    b= ft.constant(2)
    c=tf.multiply(a,b)
    print(c)  # 返回结果 Tensor("Mul_1:0", shape=(), dtype=int32)
    sess=tf.session()
    print(sess.run(c))  #返回20

    (3)   设置容器,然后通过函数赋值,进行计算

    x = tf.placeholder(tf.init64,name=’x’)
    print(sess.run(2*x,feed_dict={x:3}))  #把字典里的值 赋值给我2*x
    sess.close()

    ===========================================

    2,线性回归计算 函数块

    2.1 线性函数的计算

    Y=WX+b (X:是一个随机变量,b是一个偏差变量)

    预说明:

              tf.matmul(..,..) 是矩阵阶乘的工具

              tf.add(..,..)  矩阵加法函数

              np.random.randn(..) 随机生成正太随机数

    def linear_function()
    
        np.random.seed(1)
        X=tf.constant(np.random.randn(3,1),name=”X”)
        W=tf.constant(np.random.randn(4,3),name=”W”)
         b = tf.constant(np.random.randn(4,1),name=”b”)
        Y=tf.add(tf.matmul(W,X),b)
    
        Sess = tf.Session()
        result=sess.run(Y)
    
        sess.close()
        return result
    print(“result=”+str(linear_function()))

    运行结果:
    result = [[-2.15657382]
    [ 2.95891446]
    [-1.08926781]
    [-0.84538042]]

    2.2 计算sigmoid 

    如果你学了深度学习一定知道sigmoid 是什么,其实也是数学里的一个函数:y= 1/(1+e^(-x))

       在tensorflow里有专门的sigmoid函数

    1)  tf.placeholder(tf.float32,name=””)

    2)  tf.sigmoid(..)

    3)  sess.run(…,feed_dict={x:z})

     方法1 :

          Sess = tf.Session()

          result =sess.run(…,feed_dict ={…})

          sess.close()

    方法2:

         With tf.Session as sess:           #会自动关闭session

         result = sess.run(..,feed_dict = {…})

    def sigmoid(z):
        x = tf.placeholder(tf.float32,name = “x”)
        sigmoid = tf.sigmoid(x)
    
        with tf.Session() as sess:
            result = sess.run(sigmoid,feed_dict = {x:z})
    
        return result

    2.3 损失函数 (成本函数)

     

    在tensorflow 函数里,你可能会用到:

       tf.nn.sigmoid_cross_entropy_with_logits(logits=….,lables=…)

    def cost(logits,labels):
        z = tf.placeholder(tf.float32,name=”z”)
        y= tf.placeholder(tf.float32,name=”y”)
        cost = tf.nn.sigmoid_cross_entropy_with_logits(logits=z, labels=y)
       sess.close()
       return cost
    
    #测试
    logits = sigmoid(np.array([0.2,0.4,0.7,0.9]))
    cost = cost(logits, np.array([0,0,1,1]))
    print ("cost = " + str(cost))

    # 输出结果:

    cost = [ 1.00538719  1.03664076  0.41385433  0.39956617]

    2.4 分类映射

    把y向量映射成矩阵,然后通过矩阵判断分类,tensorflow有现成的函数:

    tf.one_hot(labels,depth,axis)

    def one_hot_matrix(labels,C):
           depth = tf.constant(value=C,name=”C”)
           one_hot_matrix = tf.one_hot(labels,depth,axis=0)
           sess = tf.Session()
    
           one_hot = sess.run(one_hot_matrix)
           sess.close()
           return one_hot

    小测:

    labels = np.array([1,2,3,0,2,1])
    one_hot = one_hot_matrix(labels, C = 4)
    print ("one_hot = " + str(one_hot))

    2.5 初始化矩阵

      tf.ones(shape) 跟 numpy的numpy.ones() 差不多

    def ones(shape):
        ones = tf.ones(3)
        sess = tf.Session()
        ones = tf.run(ones)
    
        sess.close()
        return ones
        print(“ones =”+str(ones([3])))
    
    #输出 ones [1,1,1]
        

    先讲到这里,不想篇幅太长。

    参考:吴恩达教学视频及其课件 http://mooc.study.163.com/smartSpec/detail/1001319001.htm

  • 相关阅读:
    summernote 上传图片到图片服务器的解决方案(springboot 成功)
    rabbitmq 命令行与控制台
    redis 集群
    rabbitmq快速安装(实测有效)(新版)
    设计模式-5适配器模式
    Nginx做缓存
    Redis的高可用
    正则表达式
    常用的实例场景(.net js jq)
    sentry的安装
  • 原文地址:https://www.cnblogs.com/minsons/p/7866618.html
Copyright © 2020-2023  润新知