深度學習筆記8：利用Tensorflow搭建神經網路

在筆記7中，筆者和大家一起入門了Tensorflow的基本語法，並舉了一些實際的例子進行了說明，終於告別了使用numpy手動搭建的日子。所以我們將繼續往下走，看看如何利用Tensorflow搭建神經網路模型。

儘管對於初學者而言使用Tensorflow看起來並不那麼習慣，需要各種步驟，但簡單來說，Tensorflow搭建模型實際就是兩個過程：建立計算圖和執行計算圖。在 deeplearningai 課程中，NG和他的課程組給我們提供了Signs Dataset（手勢）資料集，其中訓練集包括1080張64x64畫素的手勢圖片，並給定了 6 種標註，測試集包括120張64x64的手勢圖片，我們需要對訓練集構建神經網路模型然後對測試集給出預測。

      先來簡單看一下資料集：

# Loading the datasetX_train_orig, Y_train_orig, X_test_orig, Y_test_orig, classes = load_dataset()# Flatten the training and test imagesX_train_flatten = X_train_orig.reshape(X_train_orig.shape[0], -1).T

X_test_flatten = X_test_orig.reshape(X_test_orig.shape[0], -1).T# Normalize image vectorsX_train = X_train_flatten/255.X_test = X_test_flatten/255.# Convert training and test labels to one hot matricesY_train = convert_to_one_hot(Y_train_orig, 6)

Y_test= convert_to_one_hot(Y_test_orig,6)print("number of training examples = "+ str(X_train.shape[1]))print("number of test examples = "+ str(X_test.shape[1]))print("X_train shape: "+ str(X_train.shape))print("Y_train shape: "+ str(Y_train.shape))print("X_test shape: "+ str(X_test.shape))print("Y_test shape: "+ str(Y_test.shape))

下面就根據 NG 給定的找個資料集利用Tensorflow搭建神經網路模型。我們選擇構建一個包含 2 個隱層的神經網路，網路結構大致如下：

LINEAR -> RELU -> LINEAR -> RELU -> LINEAR -> SOFTMAX

正如我們之前利用numpy手動搭建一樣，搭建一個神經網路的主要步驟如下：

-定義網路結構

-初始化模型引數

-執行前向計算/計算當前損失/執行反向傳播/權值更新

建立 placeholder

根據Tensorflow的語法，我們首先建立輸入X和輸出Y的佔位符變數，這裡需要注意shape引數的設定。

defcreate_placeholders(n_x, n_y):

X = tf.placeholder(tf.float32, shape=(n_x,None), name='X')

Y = tf.placeholder(tf.float32, shape=(n_y,None), name='Y')

returnX, Y

初始化模型引數

其次就是初始化神經網路的模型引數，三層網路包括六個引數，這裡我們採用Xavier初始化方法：

def initialize_parameters():     tf.set_random_seed(1)        

 W1 = tf.get_variable("W1", [25, 12288], initializer = tf.contrib.layers.xavier_initializer(seed = 1))   

b1 = tf.get_variable("b1", [25, 1], initializer = tf.zeros_initializer())  

 W2 = tf.get_variable("W2", [12, 25], initializer = tf.contrib.layers.xavier_initializer(seed = 1))

   b2 = tf.get_variable("b2", [12, 1], initializer = tf.zeros_initializer())  

 W3 = tf.get_variable("W3", [6, 12], initializer = tf.contrib.layers.xavier_initializer(seed = 1))

  b3 = tf.get_variable("b3", [6,1], initializer = tf.zeros_initializer())    parameters =  {"W1": W1,              

                         "b1": b1,             

                         "W2": W2,           

                         "b2": b2,         

                         "W3": W3,          

                         "b3": b3}     

 return parameters

執行前向傳播

defforward_propagation(X, parameters):"""

Implements the forward propagation for the model: LINEAR -> RELU -> LINEAR -> RELU -> LINEAR -> SOFTMAX

"""

W1 = parameters['W1']

b1 = parameters['b1']

W2 = parameters['W2']

b2 = parameters['b2']

W3 = parameters['W3']

b3 = parameters['b3']

Z1 = tf.add(tf.matmul(W1, X), b1)

A1 = tf.nn.relu(Z1)

Z2 = tf.add(tf.matmul(W2, A1), b2)

A2 = tf.nn.relu(Z2)

Z3 = tf.add(tf.matmul(W3, A2), b3)

returnZ3

計算損失函式

在Tensorflow中損失函式的計算要比手動搭建時方便很多，一行程式碼即可搞定：

def compute_cost(Z3, Y):

logits = tf.transpose(Z3)

labels = tf.transpose(Y)

cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = logits, labels = labels))

returncost

程式碼整合：執行反向傳播和權值更新

跟計算損失函式類似，Tensorflow中執行反向傳播的梯度最佳化非常簡便，兩行程式碼即可搞定，定義完整的神經網路模型如下：

def model(X_train, Y_train, X_test, Y_test, learning_rate =0.0001,

num_epochs =

1500, minibatch_size = 32, print_cost =True):

ops.reset_default_graph()

tf.set_random_seed(

1)

seed=

3

(n_x,m) = X_train.shape

n_y = Y_train.shape[

0]

costs = []

#CreatePlaceholdersofshape (n_x, n_y)

X, Y = create_placeholders(n_x, n_y)

# Initializeparameters

parameters= initialize_parameters()

# Forward propagation:Buildthe forward propagationinthe tensorflow graph

Z3 = forward_propagation(X,parameters)

#Costfunction:Addcostfunctiontotensorflow graph

cost= compute_cost(Z3, Y)

# Backpropagation:Definethe tensorflow optimizer.Usean AdamOptimizer.

optimizer = tf.train.GradientDescentOptimizer(learning_rate = learning_rate).minimize(cost)

# Initialize all thevariables

init = tf.global_variables_initializer()

#Startthesessiontocomputethe tensorflow graphwithtf.Session()as sess:        # Run the initialization

sess.run(init)

#Dothe trainingloopfor epoch inrange(num_epochs):

epoch_cost =

0.

num_minibatches =int(m/ minibatch_size)

seed=seed+

1

minibatches = random_mini_batches(X_train, Y_train, minibatch_size,seed)

           for minibatch in minibatches:                # Select a minibatch

(minibatch_X, minibatch_Y) = minibatch

_ , minibatch_cost = sess.run([optimizer,cost], feed_dict={X: minibatch_X, Y: minibatch_Y})

epoch_cost += minibatch_cost / num_minibatches

# Print thecostevery epochif print_cost == True and epoch % 100 == 0:                

           print ("Cost after epoch %i: %f" % (epoch, epoch_cost))          

       if print_cost == True and epoch % 5 == 0:

costs.append(epoch_cost)

# plot thecost

plt.plot(np.squeeze(costs))

plt.ylabel(

'cost')

plt.xlabel(

'iterations (per tens)')

plt.title(

"Learning rate ="+str(learning_rate))

plt.show()

# letssavetheparametersinavariable

parameters= sess.run(parameters)

       print ("Parameters have been trained!")        # Calculate the correct predictions

correct_prediction = tf.equal(tf.argmax(Z3), tf.argmax(Y))

# Calculate accuracyonthetestset

accuracy = tf.reduce_mean(tf.cast(correct_prediction,

"float"))      

       print ("Train Accuracy:", accuracy.eval({X: X_train, Y: Y_train}))        

       print ("Test Accuracy:", accuracy.eval({X: X_test, Y: Y_test}))        

       returnparameters

      執行模型：

parameters = model(X_train, Y_train, X_test, Y_test)

      根據模型的訓練誤差和測試誤差可以看到：模型整體效果雖然沒有達到最佳，但基本也能達到預測效果。

總結

Tensorflow語法中兩個基本的物件類是 Tensor 和 Operator.

Tensorflow執行計算的基本步驟為

建立計算圖（張量、變數和佔位符變數等）

建立會話

初始化會話

在計算圖中執行會話

      可以看到的是，在 Tensorflow 中編寫神經網路要比我們手動搭建要方便的多，這也正是深度學習框架存在的意義之一。功能強大的深度學習框架能夠幫助我們快速的搭建起復雜的神經網路模型，在經歷了手動搭建神經網路的思維訓練過程之後，這對於我們來說就不再困難了。

作者：天善智慧
連結：