抱歉,您的浏览器无法访问本站
本页面需要浏览器支持(启用)JavaScript
了解详情 >

靖待的技术博客

小清新IT旅程 | 为中华之崛起而读书





  深度学习实践系列笔记


损失函数

L1损失:基于模型预测的值与标签的实际值之差的绝对值
平方误差(L2误差):均方误差(MSE)指每个样本的平均平方损失
MSE

梯度下降法

梯度:矢量
沿着负梯度方向探索

超参数

超参数:开始学习过程之前设置的参数,而不是训练得到的参数
典型超参数:学习率、神经网络的隐含层数量

步骤

  1. 准备数据
  2. 构建模型
  3. 训练模型
  4. 进行预测

生成人工数据集

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
#在jupyter中使用matplotlib显示图像需设为inline模式,否则不会显示图像
%matplotlib inline

import matplotlib.pyplot as plt
import numpy as np
import tensorflow as tf

#设置随机数种子
np.random.seed(5)

#直接采用np生成等差数列的方法,生成100个点,每个点的取值在-1~1之间
x_data = np.linspace(-1, 1, 100)

# y=2x+1+噪声,噪声的维度与x_data一致
y_data = 2*x_data + 1.0 + np.random.randn(*x_data.shape) * 0.4

numpy.random.randn(d0, d1, …, dn)是从标准正态分布中返回一个或多个样本值
实参前加上***时代表拆包,单个*表示将元祖拆成一个个单独的实参

画图

1
2
3
4
5
#画出随机生成数据的散点图
plt.scatter(x_data, y_data)

#画出线性函数y=2x+1
plt.plot(x_data, 2*x_data + 1.0, color='red', linewidth=3)

散点图

构建模型

1
2
3
4
5
6
7
8
9
10
11
12
13
14
x = tf.placeholder("float", name = "x")
y = tf.placeholder("float", name = "y")

def model(x, w, b):
return tf.multiply(x, w) + b

#构建线性函数的斜率
w = tf.Variable(1.0, name="w0")

#构建线性函数的截距
b = tf.Variable(0.0, name="b0")

#pred是预测值,前向计算
pred = model(x, w, b)

训练模型

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
#迭代次数(训练轮数)
train_epochs = 10

#学习率
learning_rate = 0.05

#采用均方差作为损失函数
loss_function = tf.reduce_mean(tf.square(y - pred))

#梯度下降优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)

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

#开始训练,采用SGD随机梯度下降优化方法
for epoch in range(train_epochs):
for xs,ys in zip(x_data, y_data):
_, loss = sess.run([optimizer,loss_function], feed_dict={x: xs, y: ys})
b0temp = b.eval(session=sess)
w0temp = w.eval(session=sess)
#plt.plot(x_data, w0temp * x_data + b0temp)

print("w:", sess.run(w))
print("b:", sess.run(b))

plt.scatter(x_data, y_data, label='Original data')
plt.plot(x_data, x_data * sess.run(w) + sess.run(b), label='Fitted line', color='r', linewidth=3)
plt.legend(loc=2)#通过参数loc指定图例位置

常见损失函数:均方差(Mean Square Error, MSE)和交叉熵(cross-entropy)
定义优化器Optimizer,初始化一个GradientDescentOptimizer
设置学习率和优化目标:最小化损失
训练结果
w: 1.9822965
b: 1.0420128
对比

预测

1
2
3
4
5
6
7
x_test = 3.21

predict = sess.run(pred, feed_dict={x: x_test})
print("预测值:%f" % predict)

target = 2 * x_test + 1.0
print("目标值:%f" % target)

或者

1
2
3
x_test = 3.21
predict = sess.run(w) * x_test + sess.run(b)
print("预测值:%f" % predict)

预测值:7.405184
目标值:7.420000

显示损失值

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
step = 0#训练步数
loss_list = []
display_step = 2

for epoch in range(train_epochs):
for xs,ys in zip(x_data, y_data):
_, loss = sess.run([optimizer,loss_function], feed_dict={x: xs, y: ys})
#显示损失值loss,display_step控制报告的粒度
#若display_step为2,则将每训练2个样本输出一次损失值
loss_list.append(loss)
step = step + 1
if step % display_step == 0:
print("Train Epoch:","%02d" % (epoch+1), "Step: %03d" % (step), "loss=", "{:.9f}".format(loss))

#plt.plot(loss_list)
plt.plot(loss_list,'r+')
1
2
3
4
5
6
7
8
9
10
11
12
Train Epoch: 05 Step: 408 loss= 0.125508696
Train Epoch: 05 Step: 410 loss= 0.036273275
Train Epoch: 05 Step: 412 loss= 0.000716237
Train Epoch: 05 Step: 414 loss= 0.097748078
Train Epoch: 05 Step: 416 loss= 0.026035903
Train Epoch: 05 Step: 418 loss= 0.633028984
Train Epoch: 05 Step: 420 loss= 0.084138028
Train Epoch: 05 Step: 422 loss= 0.088319123
Train Epoch: 05 Step: 424 loss= 0.002654018
Train Epoch: 05 Step: 426 loss= 0.116265893
Train Epoch: 05 Step: 428 loss= 0.018808722
Train Epoch: 05 Step: 430 loss= 0.000472802

显示损失值

loss1
loss2

1
[x for x in loss_list if x>1]

打印突出的点
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
[1.0133754,
1.2284044,
1.0088208,
1.2116321,
2.3539772,
2.3148305,
1.3175836,
1.0387748,
1.5018207,
1.547514,
1.5514,
1.5517284,
1.5517554,
1.551758,
1.551758,
1.551758,
1.551758]

随机梯度下降

梯度下降法中,批量指用于在单次迭代中计算梯度的样本总数。
批量可能相当巨大。
随机梯度下降法(SGD)每次迭代只是用一个样本(批量大小为1)。随机表示构成各批量的一个样本是随机选择的。
小批量随机梯度下降法(小批量SGD)是介于全批量迭代与SGD之间的折中方案。通常包含10-1000个随机选择的样本。

完整代码

https://github.com/hubojing/DeepLearningCode-TensorFlow/blob/master/Simple%20linear%20regression.py

评论