13個Tensorflow實踐案例，教你入門到進階

 向AI轉型的程式設計師都關注了這個號???

大資料探勘DT資料分析  公眾號： datadw

關於深度學習，每個人都有自己的看法。有人說就是煉丹，得個準確率召回率什麼的，拿到實際中，問問為什麼，都答不上來。各種連程式碼都沒寫過的人，也紛紛表示這東西就是小孩堆積木，然後整個大功耗的伺服器跑上幾天，調調引數。然後每個實驗室招生，都說自己是做什麼深度學習，機器 學習，大資料分析的，以此來吸引學生。可是可是，他們實驗室很可能連一塊 GPU 都沒有。

小時候，我把兩個5號電池連在一塊，然後用導線把正負極連起來，在正極的地方接個小燈泡，然後燈泡就亮了，這時候我就會高興的不行。家裡的電風扇壞了，把風扇拆開後發現裡邊的線斷了，接起來後又可以工作了，媽媽覺得我很了不起。其實我就是找到線斷了接起來而已。有時候，動手實現是一件很有趣的，也很有成就感的事。深度學習，我想就是這樣。我鄙視那些連程式碼都沒寫過，一點細節都不懂的人在那裡瞎吹。在傳統的學科中，比如數學，物理這些基礎學科或者建築，土木這樣的基礎應用中，也許一個碩士生，博士生苦苦研究很久都比不上他們的導師。但是在深度學習中，很多情況下，學生要比導師會得更多，特別是整天就想著拉專案賺錢，論文都沒看過，每天就看那麼幾 kb 推送的一些老師。

對於像我這樣的渣渣來說，深度學習的樂趣不在於推導那麼幾個公式，而在於你在做情感分析的時候，RMSE小了，準確率高了；你在做機器翻譯的時候，英文句子準確地變成了地地道道的中文；在你做行人檢測的時候，那個方框準確無誤的跟著人移動。。。所以 talk is cheap, show me your code.

Tensorflow-Tutorial

專案程式碼： https://github.com/yongyehuang/Tensorflow-Tutorial

我是從2月份才開始學習 Tensorflow 的，因為去年年底老師才終於肯買一臺伺服器。總體來說，TensorFlow更新的速度還是比較快的，但是用的是 1.0 版本，7個月過去，出了1.1, 1.2, 現在是 1.3 。 而且每個版本都有不少更新。比較坑的一點是官方文件很不齊全，有些東西雖然能夠實現得比較好，但是文件裡邊一個字都不提，只能自己哭瞎然後繼續尋找。下面是我學習過程中做的一些筆記。前面部分主要參考官方教程，後面則是自己在專案中的一些總結。因為時間跨度較大，程式碼中存在不少版本相容的問題，可能會出錯，但是思路還是沒問題的~

• TensorFlow入門（一）基本用法 
  介紹 TensorFlow 變數定義，加減操作等基本知識。理解tensorflow的工作機制：首先建立一個個節點，這些節點構成以圖的結構相互作用；建立好的“圖”就像一個空殼，你需要啟動會話（Session）才能執行這些節點，這就像往這個空殼裡邊注入血液，讓它們迴圈活動起來。可直接參考官方教程。

• TensorFlow入門（二）簡單前饋網路實現 mnist 分類 
  從第一次接觸深度學習開始，你就應該知道感知器這個東西，說白了就是個線性加權，也就是求特徵向量和權重向量的點積。從程式設計的角度來說就是兩個向量對應位相乘，最後求和。全連線網路就是有一個個這樣的感知器拼成的。 
  在這個例子中講的是簡單的全連線網路實現手寫字元分類，這個例子雖然簡單，但是實際上各種分類任務也就這樣。一般來說，都是包括三個部分：1.搭建網路， 2. 計算損失和梯度， 3. 設定優化器選擇合適的學習率更新權值。 可直接參考官方教程。

• TensorFlow入門（三）多層 CNNs 實現 mnist分類 
  在前面簡單全連線網路的基礎上，本例子主要介紹怎麼用TensorFlow來寫一個卷積層。然後計算損失，梯度，優化器和前面簡單全連線網路沒有什麼區別。可直接參考官方教程。此外，我新增了檢視網路中間層權值的程式碼。

• TensorFlow入門（四） name / variable_scope 的使用 
  一般來說，神經網路的引數都是非常多的，這麼繁多的結構，引數，程式碼寫起來亂得跟麻團一樣。 tf.name_scope 和 tf.variable_scope 這兩個東西主要作用就是用於命名管理，把亂糟糟的程式碼管理的井然有序。對於 tf.variable_scope 更有一個作用就是實現權重共享的功能。

• TensorFlow入門（五）多層 LSTM 通俗易懂版 
  在第一次聽說 LSTM 這個名字的時候就是一種高大上的感覺，後來確實也是非常好用，誰用誰知道。不會LSTM都不好意思說自己做文字的，做序列分析的。和前面的 CNN 比較起來，感覺 LSTM 確實是要複雜一些，當時也是整了好久才弄明白其中的各個細節。不得不說，Understanding LSTM Networks這篇文章講得真是棒得不行。關於 TensorFlow 實現 LSTM，在每次版本更新的時候都做了一些調整，所以老是出錯，不想 CNN 那樣一直都沒變。不過好在現在TensorFlow討論的人越來越多了，所以很多問題谷歌一下或者到 stack overflow 上面都能找到。

• TensorFlow入門（六）雙端 LSTM 實現序列標註（分詞） 
  這個例子是根據別人寫的一個分詞例子改過來的，原版使用 keras 寫的，然後我改成了 TensorFlow 版本。最大的變化就是，WTF，keras中一小段程式碼，我竟然寫了這麼多。但是自己實現幾個例子，確實能夠很好地幫助自己理解網路原理和程式碼細節。

• TensorFlow入門（七）充分理解 name / variable_scope 
  之前已經說過了 name/variable_scope，但是對於一個初學者來說，要想好好地理解這兩個東西還真是不太容易，也許是我自己太菜了，但我確實是沒有好好地掌握它們的精髓。然後程式碼寫多了，才漸漸地理解。我一般的習慣是對於變數部分，我都喜歡使用 tf.variable_scope 包起來，結合 tf.get_variable() 使用，一方面是方便實現變數共享，另外一方面是有時候需要單獨初始化，或者使用不同的優化器，或者是模型融合，利用 variable_scope 幫助很大。而對於 tf.name_scope, 用來管理命名就好。

• 
  

• 本文來自 微信公眾號 datadw  【大資料探勘DT資料分析】

• 
  

• TensorFlow入門（八）tensorboard 的一個簡單示例 
  tensorboard 真的很好用，特別是在做比較複雜任務的時候，一方面你可以通過裡邊的graph檢查自己的網路結構寫對了沒有；另外一方面，通過觀察 loss 和 accuracy 的變化情況，輔助自己進行引數調優。

• TensorFlow入門（九）使用 tf.train.Saver()儲存模型 
  這個例子介紹了怎麼儲存模型和重新匯入模型，像這樣的例子到處都有，但是有一點需要明白，就是：你要匯入某個變數的值，這個變數名稱，就是 tf.get_variable(‘nvar_ame’) 或者是 tf.Variable(name=’var_name’) 定義變數時的這個 scope name 和 name 一定要完全一致，否則會報錯。

• TensorFlow入門（十）【遷移學習】往一個已經儲存好的模型新增新的變數並進行微調 
  在遷移學習中，通常我們已經訓練好一個模型，現在需要修改模型的部分結構，用於我們的新任務。比如： 
  在一個圖片分類任務中，我們使用別人訓練好的網路來提取特徵，但是我們的分類數目和原模型不同，這樣我們只能取到 fc 層，後面的分類層需要重新寫。這樣我們就需要新增新的變數。那麼這些新加入的變數必須得初始化才能使用。可是我們又不能使用 ‘tf.global_variables_initializer()’ 來初始化，否則原本訓練好的模型就沒用了。

• Tensorflow入門（十一） 【模型聯合】如何利用tf.train.saver()把多個預訓練好的模型聯合起來fine-tune 
  實際上把多個模型聯合起來訓練這種方式用得並不多，就個人經驗來說，多個模型融合訓練並沒有單模型訓好以後再做融合效果好。但是但是，聯合的模型再加到模型融合中，還是會有提升的哈。那麼在進行模型聯合訓練的時候，有些細節就需要注意了。

• Tensorflow入門（十二）使用 tfrecord 讀取資料 
  在 tf1.3 中，推出了 Dataset API，好像還挺好用的。但是因為TensorFlow一直沒更新，所以還沒嘗試。如果資料量比較大的話，我們就需要考慮一下資料讀取的問題了，而不是簡單粗暴的每次都把整個資料集匯入到記憶體中。從我的個人經驗來說，對於訓練資料，我會生成 tfrecord 檔案儲存，對於驗證集和測試集，我會使用 npz 檔案進行儲存。 

• 
  對於訓練資料，使用 tfrecord 儲存的好處就是我們可以調整batch的大小，而且提供了非常便捷的shuffle功能。對於驗證集和測試集，一是不需要shuffle，而是我們完全可以根據網路大小固定batchsize。 
  在這個例子中，講了兩種資料生成 tfrecord 的方式：資料維度相同和資料維度不同兩種資料。前者比如固定大小的特徵矩陣，陣列，圖片等，比較簡單，可以使用 tf.train.Example() 進行打包；後者比如文字資料，每個序列的長度都是不固定的。可以使用 tf.train.SequenceExample() 進行打包。 
  後來我還是做了圖片的專案，不試不知道，圖片打包 tfrecord 也不是隨隨便便在網上找個例子就可以了。如果方法不正確的話，生成的 tfrecord 可能要大幾百倍，打包速度要慢上千倍，所以一定要選擇合適的方式。

• Tensorflow入門（十三）最基礎的 seq2seq 機器翻譯模型 
  這個例子也是根據網友的例子改動了一下，原例子在 https://github.com/NELSONZHAO/zhihu/tree/master/basic_seq2seq 。 
  對於 seq2seq，很早之前就覺得非常有趣，然後也看了一些論文，瞭解一些細節，但是一直沒有程式碼實現，所以一些概念還是比較含糊。所以自己實現過一遍以後，很多細節的東西才瞭解了。另外，seq2seq 確實很有趣，但是模型實在是太大，特別是你想實現一個可用的翻譯模型之類的，顯示卡一定要充足。所以真正搞這個的，感覺都是有錢人。我的這個例子還有些資料處理的程式碼沒有放上去，所以跑不通，感興趣的可以看上面連線中網友的例子。等後期我整個專案完成了，再把整個程式碼開源。

其他資源

• aymericdamien/TensorFlow-Examples 

• https://github.com/aymericdamien/TensorFlow-Examples
  

• 這個專案對於 TensorFlow 入門者來說真是非常非常好。

• 
  

• models/tutorials/ 

• https://github.com/tensorflow/models/tree/master/tutorials
  

• 這是官方提供的例子，包括 mnist, cifar10, ptb(講 LSTM), translate(講 seq2seq) 等。

• 
  

• models/research/slim/ 

• https://github.com/tensorflow/models/tree/master/research/slim
  

• 這是官方slim 的例子，裡邊提供了 ImageNet 的各個經典模型，而且提供訓練好的 ckpt 檔案，如果需要 fine-tune 的話可以直接用這個。

• 
  

• brightmart/text_classification 

• https://github.com/brightmart/text_classification
  

• 這裡提供了很多文字分類的模型。

• 
  

• tensorflow/nmt 

• https://github.com/tensorflow/nmt
  

• 這裡提供了比較全的 機器翻譯的模型。

人工智慧大資料與深度學習

搜尋新增微信公眾號：weic2c

長按圖片，識別二維碼，點關注

---

大資料探勘DT資料分析

搜尋新增微信公眾號：datadw

教你機器學習，教你資料探勘

長按圖片，識別二維碼，點關注