溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
前言
這幾天caffe2發布了，支持移動端，我理解是類似單片機的物聯網吧應該不是手機之類的，試想iphone7跑CNN，畫面太美~
作為一個剛入坑的，甚至還沒入坑的人，咱們還是老實研究下tensorflow吧，雖然它沒有caffe好上手。tensorflow的特點我就不介紹了：
tensorflow（tf）運算流程：
tensorflow的運行流程主要有2步，分別是構造模型和訓練。
在構造模型階段，我們需要構建一個圖(Graph)來描述我們的模型，tensoflow的強大之處也在這了，支持tensorboard:
就類似這樣的圖，有點像流程圖，這里還推薦一個google的tensoflow游樂場，很有意思。
然后到了訓練階段，在構造模型階段是不進行計算的，只有在tensoflow.Session.run()時會開始計算。
文本分類
先給出代碼，然后我們在一一做解釋
# -*- coding: utf-8 -*-
import pandas as pd
import numpy as np
import tensorflow as tf
from collections import Counter
from sklearn.datasets import fetch_20newsgroups
def get_word_2_index(vocab):
word2index = {}
for i,word in enumerate(vocab):
word2index[word] = i
return word2index
def get_batch(df,i,batch_size):
batches = []
results = []
texts = df.data[i*batch_size : i*batch_size+batch_size]
categories = df.target[i*batch_size : i*batch_size+batch_size]
for text in texts:
layer = np.zeros(total_words,dtype=float)
for word in text.split(' '):
layer[word2index[word.lower()]] += 1
batches.append(layer)
for category in categories:
y = np.zeros((3),dtype=float)
if category == 0:
y[0] = 1.
elif category == 1:
y[1] = 1.
else:
y[2] = 1.
results.append(y)
return np.array(batches),np.array(results)
def multilayer_perceptron(input_tensor, weights, biases):
#hidden層RELU函數激勵
layer_1_multiplication = tf.matmul(input_tensor, weights['h2'])
layer_1_addition = tf.add(layer_1_multiplication, biases['b1'])
layer_1 = tf.nn.relu(layer_1_addition)
layer_2_multiplication = tf.matmul(layer_1, weights['h3'])
layer_2_addition = tf.add(layer_2_multiplication, biases['b2'])
layer_2 = tf.nn.relu(layer_2_addition)
# Output layer
out_layer_multiplication = tf.matmul(layer_2, weights['out'])
out_layer_addition = out_layer_multiplication + biases['out']
return out_layer_addition
#main
#從sklearn.datas獲取數據
cate = ["comp.graphics","sci.space","rec.sport.baseball"]
newsgroups_train = fetch_20newsgroups(subset='train', categories=cate)
newsgroups_test = fetch_20newsgroups(subset='test', categories=cate)
# 計算訓練和測試數據總數
vocab = Counter()
for text in newsgroups_train.data:
for word in text.split(' '):
vocab[word.lower()]+=1
for text in newsgroups_test.data:
for word in text.split(' '):
vocab[word.lower()]+=1
total_words = len(vocab)
word2index = get_word_2_index(vocab)
n_hidden_1 = 100 # 一層hidden層神經元個數
n_hidden_2 = 100 # 二層hidden層神經元個數
n_input = total_words
n_classes = 3 # graphics, sci.space and baseball 3層輸出層即將文本分為三類
#占位
input_tensor = tf.placeholder(tf.float32,[None, n_input],name="input")
output_tensor = tf.placeholder(tf.float32,[None, n_classes],name="output")
#正態分布存儲權值和偏差值
weights = {
'h2': tf.Variable(tf.random_normal([n_input, n_hidden_1])),
'h3': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2])),
'out': tf.Variable(tf.random_normal([n_hidden_2, n_classes]))
}
biases = {
'b1': tf.Variable(tf.random_normal([n_hidden_1])),
'b2': tf.Variable(tf.random_normal([n_hidden_2])),
'out': tf.Variable(tf.random_normal([n_classes]))
}
#初始化
prediction = multilayer_perceptron(input_tensor, weights, biases)
# 定義 loss and optimizer 采用softmax函數
# reduce_mean計算平均誤差
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=prediction, labels=output_tensor))
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(loss)
#初始化所有變量
init = tf.global_variables_initializer()
#部署 graph
with tf.Session() as sess:
sess.run(init)
training_epochs = 100
display_step = 5
batch_size = 1000
# Training
for epoch in range(training_epochs):
avg_cost = 0.
total_batch = int(len(newsgroups_train.data) / batch_size)
for i in range(total_batch):
batch_x,batch_y = get_batch(newsgroups_train,i,batch_size)
c,_ = sess.run([loss,optimizer], feed_dict={input_tensor: batch_x,output_tensor:batch_y})
# 計算平均損失
avg_cost += c / total_batch
# 每5次epoch展示一次loss
if epoch % display_step == 0:
print("Epoch:", '%d' % (epoch+1), "loss=", "{:.6f}".format(avg_cost))
print("Finished!")
# Test model
correct_prediction = tf.equal(tf.argmax(prediction, 1), tf.argmax(output_tensor, 1))
# 計算準確率
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
total_test_data = len(newsgroups_test.target)
batch_x_test,batch_y_test = get_batch(newsgroups_test,0,total_test_data)
print("Accuracy:", accuracy.eval({input_tensor: batch_x_test, output_tensor: batch_y_test}))
代碼解釋
這里我們沒有進行保存模型的操作。按代碼流程，我解釋下各種函數和選型，其實整個代碼是github的已有的，我也是學習學習~
數據獲取，我們從sklearn.datas獲取數據，這里有個20種類的新聞文本，我們根據每個單詞來做分類：
# 計算訓練和測試數據總數
vocab = Counter()
for text in newsgroups_train.data:
for word in text.split(' '):
vocab[word.lower()]+=1
for text in newsgroups_test.data:
for word in text.split(' '):
vocab[word.lower()]+=1
total_words = len(vocab)
word2index = get_word_2_index(vocab)
根據每個index轉為one_hot型編碼，One-Hot編碼，又稱為一位有效編碼，主要是采用N位狀態寄存器來對N個狀態進行編碼，每個狀態都由他獨立的寄存器位，并且在任意時候只有一位有效。
def get_batch(df,i,batch_size):
batches = []
results = []
texts = df.data[i*batch_size : i*batch_size+batch_size]
categories = df.target[i*batch_size : i*batch_size+batch_size]
for text in texts:
layer = np.zeros(total_words,dtype=float)
for word in text.split(' '):
layer[word2index[word.lower()]] += 1
batches.append(layer)
for category in categories:
y = np.zeros((3),dtype=float)
if category == 0:
y[0] = 1.
elif category == 1:
y[1] = 1.
else:
y[2] = 1.
results.append(y)
return np.array(batches),np.array(results)
在這段代碼中根據自定義的data的數據范圍，即多少個數據進行一次訓練，批處理。在測試模型時，我們將用更大的批處理來提供字典，這就是為什么需要定義一個可變的批處理維度。
構造神經網絡
神經網絡是一個計算模型（一種描述使用機器語言和數學概念的系統的方式）。這些系統是自主學習和被訓練的，而不是明確編程的。下圖是傳統的三層神經網絡：
而在這個神經網絡中我們的hidden層拓展到兩層，這兩層是做的完全相同的事，只是hidden1層的輸出是hidden2的輸入。
weights = {
'h2': tf.Variable(tf.random_normal([n_input, n_hidden_1])),
'h3': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2])),
'out': tf.Variable(tf.random_normal([n_hidden_2, n_classes]))
}
biases = {
'b1': tf.Variable(tf.random_normal([n_hidden_1])),
'b2': tf.Variable(tf.random_normal([n_hidden_2])),
'out': tf.Variable(tf.random_normal([n_classes]))
}
在輸入層需要定義第一個隱藏層會有多少節點。這些節點也被稱為特征或神經元，在上面的例子中我們用每一個圓圈表示一個節點。
輸入層的每個節點都對應著數據集中的一個詞（之后我們會看到這是怎么運行的）
每個節點（神經元）乘以一個權重。每個節點都有一個權重值，在訓練階段，神經網絡會調整這些值以產生正確的輸出。
將輸入乘以權重并將值與偏差相加，有點像y = Wx + b 這種linear regression。這些數據也要通過激活函數傳遞。這個激活函數定義了每個節點的最終輸出。有很多激活函數。
這里我們的hidden層里面使用RELU，之前大多數是傳統的sigmoid系來激活。
由圖可知，導數從0開始很快就又趨近于0了，易造成“梯度消失”現象，而ReLU的導數就不存在這樣的問題。 對比sigmoid類函數主要變化是：1）單側抑制 2）相對寬闊的興奮邊界 3）稀疏激活性。這與人的神經皮層的工作原理接近。
為什么要加入偏移常量？
以sigmoid為例
權重w使得sigmoid函數可以調整其傾斜程度，下面這幅圖是當權重變化時，sigmoid函數圖形的變化情況：
可以看到無論W怎么變化，函數都要經過（0,0.5),但實際情況下，我們可能需要在x接近0時，函數結果為其他值。
當我們改變權重w和偏移量b時，可以為神經元構造多種輸出可能性，這還僅僅是一個神經元，在神經網絡中，千千萬萬個神經元結合就能產生復雜的輸出模式。
輸出層的值也要乘以權重，并我們也要加上誤差，但是現在激活函數不一樣。
你想用分類對每一個文本進行標記，并且這些分類相互獨立（一個文本不能同時屬于兩個分類）。
考慮到這點，你將使用 Softmax 函數而不是 ReLu 激活函數。這個函數把每一個完整的輸出轉換成 0 和 1 之間的值，并且確保所有單元的和等于一。
在這個神經網絡中，output層中明顯是3個神經元，對應著三種分本分類。
#初始化所有變量
init = tf.global_variables_initializer()
#部署 graph
with tf.Session() as sess:
sess.run(init)
training_epochs = 100
display_step = 5
batch_size = 1000
# Training
for epoch in range(training_epochs):
avg_cost = 0.
total_batch = int(len(newsgroups_train.data) / batch_size)
for i in range(total_batch):
batch_x,batch_y = get_batch(newsgroups_train,i,batch_size)
c,_ = sess.run([loss,optimizer], feed_dict={input_tensor: batch_x,output_tensor:batch_y})
# 計算平均損失
avg_cost += c / total_batch
# 每5次epoch展示一次loss
if epoch % display_step == 0:
print("Epoch:", '%d' % (epoch+1), "loss=", "{:.6f}".format(avg_cost))
print("Finished!")
這里的 參數設置：
為了知道網絡是否正在學習，需要比較一下輸出值（Z）和期望值（expected）。我們要怎么計算這個的不同（損耗）呢？有很多方法去解決這個問題。
因為我們正在進行分類任務，測量損耗的最好的方式是 交叉熵誤差。
通過 TensorFlow 你將使用 tf.nn.softmax_cross_entropy_with_logits() 方法計算交叉熵誤差（這個是 softmax 激活函數）并計算平均誤差 (tf.reduced_mean() ) 。
通過權重和誤差的最佳值，以便最小化輸出誤差（實際得到的值和正確的值之間的區別）。要做到這一點，將需使用 梯度下降法。更具體些是，需要使用 隨機梯度下降。
對應代碼：
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=prediction, labels=output_tensor)) optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(loss)
tensoflow已經將這些發雜的算法封裝為函數，我們只需要選取特定的函數即可。
tf.train.AdamOptimizer(learning_rate).minimize(loss) 方法是一個 語法糖，它做了兩件事情：
compute_gradients(loss, <list of variables>) 計算
apply_gradients(<list of variables>) 展示
這個方法用新的值更新了所有的 tf.Variables ，因此我們不需要傳遞變量列表。
運行計算
Epoch: 0001 loss= 1133.908114347
Epoch: 0006 loss= 329.093700409
Epoch: 00011 loss= 111.876660109
Epoch: 00016 loss= 72.552971845
Epoch: 00021 loss= 16.673050320
........
Finished!
Accuracy: 0.81
Accuracy: 0.81 表示置信度在81%，我們通過調整參數和增加數據量（本文沒做），置信度會產生變化。
結束
就是這樣！使用神經網絡創建了一個模型來將文本分類到不同的類別中。采用GPU或者采取分布式的TF可以提升訓練速度和效率~
總結
以上就是這篇文章的全部內容了，希望本文的內容對大家的學習或者工作具有一定的參考學習價值，如果有疑問大家可以留言交流，謝謝大家對億速云的支持。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
