TensorFlow學(xué)習(xí)（三）——神經(jīng)網(wǎng)絡(luò)進(jìn)階DNN

• 一、神經(jīng)網(wǎng)絡(luò)的進(jìn)階概念
• • 激活函數(shù)
  • 偏置項(xiàng)
  • 損失函數(shù)
  • • 經(jīng)典損失函數(shù)
    • • 交叉熵(cross entropy)損失函數(shù)——分類問題
      • • 示例展示
        • 代碼表示
        • 代碼說明
      • 均方誤差——回歸問題（數(shù)值預(yù)測等）
      • • 代碼展示
        • 代碼說明
    • 自定義損失函數(shù)
    • • 示例展示
      • 代碼展示
      • 代碼說明
  • 學(xué)習(xí)率設(shè)置
  • • • 指數(shù)衰減法
      • 代碼展示
      • 代碼說明
• 二、使用自定義損失函數(shù)實(shí)現(xiàn)的神經(jīng)網(wǎng)絡(luò)

一、神經(jīng)網(wǎng)絡(luò)的進(jìn)階概念

激活函數(shù)

在線性模型中，模型的輸出是輸入的加權(quán)和，例如通過下面這個公式計(jì)算的模型

該公式稱為線性變換，該模型稱為線性模型。只通過線性變換，任意層的全連接神經(jīng)網(wǎng)絡(luò)與單層神經(jīng)網(wǎng)絡(luò)的表達(dá)能力沒有太大區(qū)別。而深度學(xué)習(xí)主要是強(qiáng)調(diào)非線性。比如碰到如下問題，線性變換模型不能很好擬合。

當(dāng)引入激活函數(shù)后，這個問題就能被很好解決，因?yàn)榧せ詈瘮?shù)是非線性的。
常用的激活函數(shù)有relu、sigmod、tanh，它們在TensorFlow中分別為tf.nn.relu、tf.sigmoid、tf.tanh。
激活函數(shù)的具體介紹可以看這篇博客
https://blog.csdn.net/kangyi411/article/details/78969642

偏置項(xiàng)

在神經(jīng)網(wǎng)絡(luò)中，偏置項(xiàng)一般置為1，是一個常量。偏置項(xiàng)具體介紹可以參考這篇博客
https://blog.csdn.net/Uwr44UOuQcNsUQb60zk2/article/details/81074408

損失函數(shù)

損失函數(shù)簡單講就是神經(jīng)網(wǎng)絡(luò)中優(yōu)化算法的優(yōu)化目標(biāo)，通過最小化損失函數(shù)，然后神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)到權(quán)重，從而實(shí)現(xiàn)我們所見的預(yù)測、分類等功能。

經(jīng)典損失函數(shù)

交叉熵(cross entropy)損失函數(shù)——分類問題

x表示所屬類別
給定兩個概率分布p和q，通過q定義p的交叉熵：H(p, q) = –${\sum }_{x}p(x)logq(x)$
交叉熵刻畫了兩個概率分布之間的距離，概率分布刻畫了不同事件發(fā)生的概率
當(dāng)事件總數(shù)有限時，概率分布函數(shù)p(X=x)滿足 $?x,p(X=x)\in [0,1]且{\sum }_{x}p(X=x)=1$
將前向傳播的結(jié)果變?yōu)楦怕史植伎梢赃m用softmax回歸，在TensorFlow中，softmax回歸只是額外的一層處理層，加入了softmax層的神經(jīng)網(wǎng)絡(luò)如圖。一般要預(yù)測多少類，softmax就輸出多少個。

若神經(jīng)網(wǎng)絡(luò)輸出為y₁，y₂，…，y_n，則經(jīng)過softmax回歸處理后的輸出為：$softmax(y_i)=y_i^{\prime }=\frac{e^{y_i}}{({\sum }_{j=1}^n{e}^{y_i})}$
這樣的話就可以將結(jié)果轉(zhuǎn)換為一個概率分布，從而使用交叉熵?fù)p失函數(shù)計(jì)算預(yù)測的概率分布和真實(shí)概率分布之間的距離。
當(dāng)使用交叉熵作為神經(jīng)網(wǎng)絡(luò)的損失函數(shù)時，p代表正確答案，q代表預(yù)測值

示例展示

假設(shè)一個三分類問題，某個樣例的正確答案是(1,0,0)。某模型經(jīng)過Softmax回歸之后的預(yù)測答案是(0.5,0.4,0.1)， 那么這個預(yù)測和正確答案之間的交叉熵為:
H((1, 0, 0), (0.5, 0.4, 0.1))= -(1 x log0.5+ 0 x log0.4+ 0 x log0.1) ≈ 0.3
如果另外一個模型的預(yù)測是(0.8,0.1,0.1)，那么這個預(yù)測值和真實(shí)值之間的交叉熵是:
H((1, 0, 0), (0.8, 0.1, 0.1))= -(1 x log0.8 + 0 x log0.1 + 0 x log0.1) ≈ 0.1

代碼表示

corss_entropy = -tf.reduce_mean(y_real * tf.log(tf.clip_by_value(y_pred, 1e-10, 1.0))

代碼說明

其中y_real代表實(shí)際值，也就是上面示例中的(1, 0, 0)
y_pred表示預(yù)測值，也就是上面示例中的(0.5, 0.4, 0.1)和(0.8, 0.1, 0.1)
tf.clip_by_value函數(shù)可以將張量限制在一定范圍內(nèi)，從而避免運(yùn)算錯誤
例如

v = tf.constant([1., 2., 3.], [4., 5., 6.]]) print(tf.clip_by_value(v, 2.0, 5.0).eval())

輸出如下

將所有小于2.0的替換為2.0，將所有大于5的替換為5
*表示矩陣點(diǎn)乘，tf.matmul表示矩陣乘法
在TensorFlow中可以直接使用softmax回歸后的交叉熵?fù)p失函數(shù)

cross_entropy = tf.nn.softmax_cross_entropy_with_logits(y_pred, y_real)

均方誤差——回歸問題（數(shù)值預(yù)測等）

$$MSE(meansquarederror)=\frac{{\sum }_{i=1}^n(y_i?y_i^{\prime }{)}^2}{n}$$
其中y_i表示batch中第i個數(shù)據(jù)的正確答案，y’_i為神經(jīng)網(wǎng)絡(luò)給出的預(yù)測值。

代碼展示

tf.reduce_mean(tf.square(y_real - y_pred))

代碼說明

y_real表示實(shí)際值
y_pred表示輸出值
"-"表示對于的元素相減，類似于點(diǎn)乘

自定義損失函數(shù)

示例展示

例如損失函數(shù)如下：$$Loss(y,y^{\prime })=\sum _{i=1}^{n}f(y_i,y_i^{\prime })，f(x,y)=\{\begin{array}{ll}a(x?y)& x>y\\ b(y?x)& x\le y\end{array}$$
其中y_i為第i個數(shù)據(jù)的正確答案，y’_i為神經(jīng)網(wǎng)絡(luò)得到的預(yù)測值，a和b是常量

代碼展示

# windows下tf沒有select函數(shù)，使用where函數(shù)代替 # method "select" don't exist in windows, you can replace it with "where()" loss = tf.reduce_sum(tf.select(tf.greater(x, y), (x - y) * a, (y - x) * b))

代碼說明

上述代碼通過tf.select和tf.greater實(shí)現(xiàn)選擇操作
tf.greater(judgement, operation1, operation2)比較兩個元素大小，當(dāng)judgement是True時，執(zhí)行operation1，當(dāng)judgement是False時，執(zhí)行operation2

學(xué)習(xí)率設(shè)置

指數(shù)衰減法

該方法在TensorFlow中可以通過調(diào)用tf.train.exponential_decay實(shí)現(xiàn)，大概過程如下
$$decayed\_learning\_rate=learning\_rate?decay\_rat{e}^{global\_step/decay\_step}$$
其中decaed_learining_rate是每輪優(yōu)化時使用的學(xué)習(xí)率，learning_rate為初始學(xué)習(xí)率，decay_rate為衰減系數(shù)，decay_steps為衰減速度。
在TensorFlow中可以通過設(shè)置參數(shù)staircase來選擇不同衰減方式。當(dāng)staircase為True時，是階梯函數(shù)，如下圖黑色階梯函數(shù)；當(dāng)staircase為False時，是連續(xù)函數(shù)，如下圖灰色連續(xù)曲線
staircase默認(rèn)為False

代碼展示

global_step = tf.Variable(0)# 通過exponential_decay函數(shù)生成學(xué)習(xí)率 learning_rate = tf.train.exponential_decay(0.1, global_step, 100, 0.96, staircase=True)# 使用指數(shù)衰減更新學(xué)習(xí)率。在minimize中傳入global_step傳入?yún)?shù)將自動更新 learning_step = tf.train.GradientDescentOptimizer(learning_reate).minimize(cost_function, global_step=global_step)

代碼說明

上述代碼中設(shè)定初始學(xué)習(xí)率為0.1， 指定staircase為True，每訓(xùn)練100輪后，學(xué)習(xí)率乘以0.96。

二、使用自定義損失函數(shù)實(shí)現(xiàn)的神經(jīng)網(wǎng)絡(luò)

import tensorflow as tf from numpy.random import RandomState# load dataset batch_size = 8 dataset_size = 128 rnd = RandomState(1) X = rnd.rand(dataset_size, 2) Y = [[x1 + x2 + rnd.rand() / 10.0 - 0.05] for (x1, x2) in X]x = tf.placeholder(tf.float32, shape=(None, 2), name="x_input") y_real = tf.placeholder(tf.float32, shape=(None, 1), name="y_input")# initialize weights w1 = tf.Variable(tf.random_normal([2, 1], stddev=1, seed=1, name="weight1"))# forward propagation algorithm y_pred = tf.matmul(x, w1)# cost function a = 10 b = 1 cost_function = tf.reduce_sum(tf.where(tf.greater(y_real, y_pred), (y_real - y_pred) * a, (y_pred - y_real) * b)) training_step = tf.train.AdamOptimizer(learning_rate=0.001).minimize(cost_function)with tf.Session() as sess:tf.global_variables_initializer().run()print("before training, w1:\n{}".format(w1.eval()))steps = 5000for i in range(steps):start = (i * batch_size) % dataset_sizeend = min(start + batch_size, dataset_size)sess.run(training_step, feed_dict={x: X[start: end], y_real: Y[start: end]})if i % 1000 == 0:total_loss = sess.run(cost_function, feed_dict={x: X, y_real: Y})print("after %d steps, total loss is %f" % (i, total_loss))print("after training, w1:\n{}".format(w1.eval()))

總結(jié)

以上是生活随笔為你收集整理的TensorFlow学习（三）——神经网络进阶的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。