TensorFlow游乐场及神经网络简介

  • 时间:
  • 浏览:1
  • 来源:大发彩神幸运飞艇_大发神彩幸运飞艇官方

  本文选自《Tensorflow:实战Google深层学习框架》,点此链接可在博文视点官网查看此书。

引言:TensorFlow是谷歌2015年开源的主流深层学习框架,目前已在谷歌、优步(Uber)、京东、小米等科技公司广泛应用。本文将通过TensorFlow游乐场来简单介绍神经网络的主要功能以及计算流程。

本文选自《Tensorflow:实战Google深层学习框架》。

  想及时获得更多精彩文章,可在微信中搜索“博文视点”以前扫描下方二维码并关注。

                       

  本文将通过TensorFlow游乐场来快速介绍神经网络的主要功能。TensorFlow游乐场(http://playground.tensorflow.org)是另有一四个 通过网页浏览器就须要训练的简单神经网络并实现了可视化训练过程的工具。下图给出了TensorFlow游乐场默认设置的截图。



               TensorFlow游乐场界面截图

  从上图中须要看出,TensorFlow游乐场的左侧提供了另有一四个 不同的数据集来测试神经网络。默认的数据为左上角被框出来的那个。被选中的数据也会显示在上图中最右边的“OUTPUT”栏下。在这名 数据中,须要看一遍另有一四个 二维平面上有黑色以前灰色的点,每另有一四个 小点代表了另有一四个 样例,而点的颜色代表了样例的标签。以前点的颜色必须有一种,却说有这是另有一四个 二分类的现象报告 。在这里举另有一四个 例子来说明这名 数据须要代表的实际现象报告 。假设须要判断某工厂生产的零件算是合格,没法 灰色的点须要表示所有合格的零件而黑色的表示不合格的零件。曾经判断另有一四个 零件算是合格就变成了区分点的颜色。

  为了将另有一四个 实际现象报告 对应到平面上不同颜色点的划分,还须要将实际现象报告 中的实体,比如上述例子中的零件,变成平面上的另有一四个 点①。这却说形状提取补救的现象报告 。还是以零件为例,须要用零件的长度和质量来大致描述另有一四个 零件。曾经另有一四个 物理意义上的零件就须要被转化成长度和质量这另有一四个 数字。在机器学习中,所有用于描述实体的数字的组合却说另有一四个 实体的形状向量(feature vector)。在第1章中介绍过,形状向量的提取对机器学习的效果至关重要,怎样才能提取形状本书不再赘述。通过形状提取,就须要将实际现象报告 中的实体转化为空间中的点。假设使用长度和质量作为另有一四个 零件的形状向量,没法 每个零件却说二维平面上的另有一四个 点。TensorFlow游乐场中FEATURES一栏对应了形状向量。在本文的样例中,须要认为x1代表另有一四个 零件的长度,而x2代表零件的质量。

  形状向量是神经网络的输入,神经网络的主体形状显示在了上图的里面位置。目前主流的神经网络也有分层的形状,第一层是输入层,代表形状向量中每另有一四个 形状的取值。比如以前另有一四个 零件的长度是0.5,没法 x1的值却说0.5。同一层的节点越多再相互连接,怎样才能让每一层只和下一层连接,直到最后一层作为输出层得到计算的结果②。在二分类现象报告 中,比如判断零件算是合格,神经网络的输出层往往只暗含另有一四个 节点,而这名 节点会输出另有一四个 实数值。通过这名 输出值和另有一四个 以前设定的阈值,就须要得到最后的分类结果。以判断零件合格为例,须要认为当输出的数值大于0时,给出的判断结果是零件合格,反之则零件不合格。一般须要认为当输出值离阈值越远时得到的答案越可靠。

  在输入和输出层之间的神经网络叫做隐藏层,一般另有一四个 神经网络的隐藏层没法 多,这名 神经网络越“深”。而所谓深层学习中的这名 “深层”和神经网络的层数也是密切相关的。在TensorFlow游乐场中须要通过点击“+”以前“-”来增加/减少神经网络隐藏层的数量。除了须要挑选神经网络的深层,TensorFlow游乐场也支持挑选神经网络每一层的节点数以及学习率(learning rate)、激活函数(activation)、正则化(regularization)。怎样才能使用那先 参数将在里面的章节中讨论。在本文中都直接使用TensorFlow游乐场默认的设置。当所有配置都选好以前,须要通过左上角的刚开使标志“”来训练这名 神经网络。下图中给出了迭代训练5000轮以前的情况报告。



             TensorFlow游乐场训练5000轮以前的截图

  怎样才能训练另有一四个 神经网络将在下一节中介绍,在这里主要介绍怎样才能解读TensorFlow游乐场的训练结果。在上图中,另有一四个 小格子代表神经网络中的另有一四个 节点,而边代表节点之间的连接。每另有一四个 节点和边都被涂上了或深或浅的颜色,但边上的颜色和格子中的颜色含义有略微的区别。每二根边代表了神经网络中的另有一四个 参数,它须却说任意实数。神经网络却说通过对参数的合理设置来补救分类以前回归现象报告 的。边上的颜色体现了这名 参数的取值,当边的颜色太深时,这名 参数取值的绝对值越大;当边的颜色接近白色时,这名 参数的取值接近于0③。

  每另有一四个 节点上的颜色代表了这名 节点的区分平面。具体来说,以前把这名 平面当成另有一四个 卡迪尔坐标系,这名 平面上的每另有一四个 点就代表了(x1,x2)的有一种取值。而这名 点的颜色就体现了x1,x2在这名 取值下这名 节点的输出值。和边这名,当节点的输出值的绝对值越大时,颜色太深④。下面将具体解读输入层x1所代表的节点。从上图中须要看一遍x1这名 节点的区分平面却说y轴。以前这名 节点的输出却说x1有一种的值,却说有当x1小于0时,这名 节点的输出却说负数,而x1大于0时输出的却说正数。于是y轴的左侧都为灰色,而右侧都为黑色⑤。上图中这名节点须要这名的解读。唯一特殊的是最右边OUTPUT栏下的输出节点。这名 节点中除了显示了区分平面之外,还显示了训练数据,也却说希望通过神经网络区分的数据点。从上图中须要看一遍,经过两层的隐藏层,输出节点的区分平面以前须要完整版区分不同颜色的数据点。

  综上所述,使用神经网络补救分类现象报告 主要须要分为以下另有一四个 步骤。

  1.提取现象报告 中实体的形状向量作为神经网络的输入。不同的实体须要提取不同的形状向量,本书中将不具体介绍。本文假设作为神经网络输入的形状向量须要直接从数据集中获取。

  2.定义神经网络的形状,并定义怎样才能从神经网络的输入得到输出。这名 过程却说神经网络的前向传播算法,以前将进行完整版介绍。

  3.通过训练数据来调整神经网络中参数的取值,这却说训练神经网络的过程。下一节将先介绍TensorFlow中表示神经网络参数的法律土方式,怎样才能让下一节将大致介绍神经网络优化算法的框架,并介绍怎样才能通过TensorFlow实现这名 框架。

  4.使用训练好的神经网络来预测未知的数据。这名 过程和步骤2中的前向传播算法一致,本文不再赘述。