2 TensorFlow入门笔记之建造神经网络并将结果可视化

————————————————————————————————————

写在开头：此文参照莫烦python教程（墙裂推荐！！！）

————————————————————————————————————

TensorFlow之建造第一个神经网络

1 定义添加层

import tensorflow as tf

def add_layer(inputs,in_size,out_size,activation_function=None):
    Weights = tf.Variable(tf.random_normal([in_size,out_size]))#用随机数来初始化Weights，这比全部为0要好，int_size行，out_size列
    biases = tf.Variable(tf.zeros([1,out_size])+0.1) #1行，out_size列，均为0.1
    Wx_plus_b = tf.matmul(inputs,Weights) + biases  #预测出来但还没激活的值
    if activation_function is None:  #如果没有激活函数，则返回预测原值
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)  #否则，返回预测值激活之后的值
    return outputs

2 建立神经网络结构

import numpy as np
#生成数据
x_data = np.linspace(-1,1,300)[:,np.newaxis] #有300行，即一个特性，300个对象
noise = np.random.normal(0,0.05,x_data.shape) #加入噪音，用期望为0、方差为0.05的正态分布的随机数来建立
y_data = np.square(x_data)-0.5 + noise

#将输入数据和输出数据定义为placeholder
xs = tf.placeholder(tf.float32,[None,1])  #1为属性数，None为随意数都行
ys = tf.placeholder(tf.float32,[None,1])

#第一层layer，即输入层，这里只有一个神经元
#第二层layer，即隐藏层，这里定义10个神经元
#第三层layer，这里为输出层，这里有一个神经元

#下面增加第二层，即这里的隐藏层
l1 = add_layer(xs,1,10,activation_function=tf.nn.relu)

#下面定义输出层
prediction = add_layer(l1,10,1,activation_function=None)

#计算损失
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys -prediction),reduction_indices=[1]))#求和之后求平均

#训练
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)  #学习效率为0.1，学习效率一般小于1

#初始所有变量
init = tf.global_variables_initializer()

sess = tf.Session()
sess.run(init)

for i in range(1000):
    sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
    if i % 50 == 0:
        print(sess.run(loss,feed_dict={xs:x_data,ys:y_data}))  #打印误差，如果误差不断减小，则模型有不断学习

0.32276458
0.012201915
0.0066840313
0.0057683536
0.0053448635
0.0050948677
0.004914441
0.004781631
0.0046798103
0.0046042935
0.004543632
0.0044809543
0.0044029644
0.0042897784
0.004155126
0.004016761
0.0038873414
0.003766319
0.0036393174
0.0035409257

由上面结果可知，误差是越来越小的。这说明，这个网络是在不断学习的

3 结果可视化

#在上面的for之前加入一些绘图的代码，如下：
%matplotlib inline
import matplotlib.pyplot as plt #结果可视化所用

#加入绘图代码,先打印x_data和y_data
fig = plt.figure()
ax = fig.add_subplot(1,1,1)
ax.scatter(x_data,y_data)
plt.ion()  #使show（）后不会暂停程序
#plt.show()

for i in range(1000):
    #训练
    sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
    if i % 50 == 0:
        #print(sess.run(loss,feed_dict={xs:x_data,ys:y_data}))  #打印误差，如果误差不断减小，则模型有不断学习
        try:
            ax.lines.remove(lines[0])
        except Exception:
            pass
        prediction_value = sess.run(prediction,feed_dict={xs:x_data})  #计算预测值
        lines = ax.plot(x_data,prediction_value,'r-',lw = 5)  #绘制预测值的曲线，红色，线框为5
        #ax.lines.remove(lines[0]) #抹除掉第一个线段
        plt.pause(1) #暂停1秒

2 TensorFlow入门笔记之建造神经网络并将结果可视化

这里应该是有一条红色的线在不断拟合这些蓝点的。这里只显示了最后一条红色的线

4 加速神经网络

SGD：把数据分块，每次使用批量数据。虽然损失了一点精度，但速度大大加快了
Mmomentum：在更新W权值时加速。公式如下：
m = b1*m - learning rate * dx;
W += m
AdaGrad:在更新W权值时加速。公式如下：
v += pow(dx,2)
W += -Learning rate * dx /sqrt(v)
RMSProp：在更新W权值时加速。公式如下：
v = b1*v + (1-b1)*pow(dx,2)
W += -Learning rate * dx/sqrt(v)
Adam:在更新W权值时加速。公式如下：(又快又好）
m = b1*m +(1-b1)*dx
v = b2*v + (1-b2)*pow(dx,2)
W += -Learning tate *m/sqrt(v)

5 Optimizer优化器

TensorFlow有很多优化器，可以去tensorflow的官网查询

#这里列出几种优化器：

tf.train.GradientDescentOptimizer  #初级常用
tf.train.AdadeltaOptimizer
tf.train.AdagradOptimizer
tf.train.MomentumOptimizer  #常用
tf.train.AdamOptimizer  #常用
tf.train.FtrlOptimizer
tf.train.RMSPropOptimizer #常用

6 网络可视化工具：tensorboard

利用Tensorboard，可以很好的画出我们的网络结构。下面以上面的例子为例，实践一下。

#把上面的代码copy下来先

import tensorflow as tf

def add_layer(inputs,in_size,out_size,activation_function=None):
    with tf.name_scope('layer'):  #加入名字
        with tf.name_scope('weights'):
            Weights = tf.Variable(tf.random_normal([in_size,out_size]))#用随机数来初始化Weights，这比全部为0要好，int_size行，out_size列
        with tf.name_scope('biases'):
            biases = tf.Variable(tf.zeros([1,out_size])+0.1) #1行，out_size列，均为0.1
        with tf.name_scope('Wx_plus_b'):
            Wx_plus_b = tf.matmul(inputs,Weights) + biases  #预测出来但还没激活的值
        if activation_function is None:  #如果没有激活函数，则返回预测原值
            outputs = Wx_plus_b
        else:
            outputs = activation_function(Wx_plus_b)  #否则，返回预测值激活之后的值
        return outputs

import numpy as np
x_data = np.linspace(-1,1,300)[:,np.newaxis]  
noise = np.random.normal(0,0.05,x_data.shape) 
y_data = np.square(x_data)-0.5 + noise

with tf.name_scope('input'):
    xs = tf.placeholder(tf.float32,[None,1],name='x_input')  #加入名字name 
    ys = tf.placeholder(tf.float32,[None,1],name='y_input')

#第一层layer，即输入层，这里只有一个神经元
#第二层layer，即隐藏层，这里定义10个神经元
#第三层layer，这里为输出层，这里有一个神经元

#下面增加第二层，即这里的隐藏层
l1 = add_layer(xs,1,10,activation_function=tf.nn.relu)

#下面定义输出层
prediction = add_layer(l1,10,1,activation_function=None)

#计算损失
with tf.name_scope('loss'):
    loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys -prediction),reduction_indices=[1]),name='mean') 

#训练
with tf.name_scope('train'):
    train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) 

sess = tf.Session()
writer = tf.summary.FileWriter("desktop",sess.graph)
#初始所有变量
init = tf.global_variables_initializer()
sess.run(init)