TensorFlow游乐场及神经网络简介

  • 时间:
  • 浏览:2
  • 来源:大发uu直播快3_大发UU快3直播平台

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

  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)是十个 通过网页浏览器就都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

  从上图中都要看出,TensorFlow游乐场的左侧提供了十个 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。在这俩数据中,都要看过十个 二维平面上有黑色不可能 灰色的点,每十个 小点代表了十个 样例,而点的颜色代表了样例的标签。不可能 点的颜色不可不能能本身,好多好多 这是十个 二分类的疑问图片。在这里举十个 例子来说明这俩数据都要代表的实际疑问图片。假设都要判断某工厂生产的零件是是否是合格,越来越灰色的点都要表示所有合格的零件而黑色的表示不合格的零件。另十个 判断十个 零件是是否是合格就变成了区分点的颜色。

  为了将十个 实际疑问图片对应到平面上不同颜色点的划分,还都要将实际疑问图片中的实体,比如上述例子中的零件,变成平面上的十个 点①。这好多好多 型态提取处置的疑问图片。还是以零件为例,都要用零件的长度和质量来大致描述十个 零件。另十个 十个 物理意义上的零件就都要被转化成长度和质量这俩个 数字。在机器学习中,所有用于描述实体的数字的组合好多好多 十个 实体的型态向量(feature vector)。在第1章中介绍过,型态向量的提取对机器学习的效果至关重要,怎样提取型态本书不再赘述。通过型态提取,就都要将实际疑问图片中的实体转化为空间中的点。假设使用长度和质量作为十个 零件的型态向量,越来越每个零件好多好多 二维平面上的十个 点。TensorFlow游乐场中FEATURES一栏对应了型态向量。在本文的样例中,都要认为x1代表十个 零件的长度,而x2代表零件的质量。

  型态向量是神经网络的输入,神经网络的主体型态显示在了上图的上方位置。目前主流的神经网络都要分层的型态,第一层是输入层,代表型态向量中每十个 型态的取值。比如不可能 十个 零件的长度是0.5,越来越x1的值好多好多 0.5。同一层的节点无需相互连接,有日后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。在二分类疑问图片中,比如判断零件是是否是合格,神经网络的输出层往往只所含十个 节点,而这俩节点会输出十个 实数值。通过这俩输出值和十个 另十个 设定的阈值,就都要得到最后的分类结果。以判断零件合格为例,都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。一般都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,一般十个 神经网络的隐藏层太大,这俩神经网络越“深”。而所谓深度学习中的这俩“深度”和神经网络的层数也是密切相关的。在TensorFlow游乐场中都要通过点击“+”不可能 “-”来增加/减少神经网络隐藏层的数量。除了都要挑选神经网络的深度,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)。怎样使用那此参数将在上方的章节中讨论。在本文中都直接使用TensorFlow游乐场默认的设置。当所有配置都选好另十个 ,都要通过左上角的结束了了标志“”来训练这俩神经网络。下图中给出了迭代训练1150轮另十个 的具体情况。



             TensorFlow游乐场训练1150轮另十个 的截图

  怎样训练十个 神经网络将在下一节中介绍,在这里主要介绍怎样解读TensorFlow游乐场的训练结果。在上图中,十个 小格子代表神经网络中的十个 节点,而边代表节点之间的连接。每十个 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。每一根边代表了神经网络中的十个 参数,它都也不任意实数。神经网络好多好多 通过对参数的合理设置来处置分类不可能 回归疑问图片的。边上的颜色体现了这俩参数的取值,当边的颜色太深时,这俩参数取值的绝对值越大;当边的颜色接近白色时,这俩参数的取值接近于0③。

  每十个 节点上的颜色代表了这俩节点的区分平面。具体来说,不可能 把这俩平面当成十个 卡迪尔坐标系,这俩平面上的每十个 点就代表了(x1,x2)的本身取值。而这俩点的颜色就体现了x1,x2在这俩取值下这俩节点的输出值。和边这类于,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。从上图中都要看过x1这俩节点的区分平面好多好多 y轴。不可能 这俩节点的输出好多好多 x1本身的值,好多好多 当x1小于0时,这俩节点的输出好多好多 负数,而x1大于0时输出的好多好多 正数。于是y轴的左侧都为灰色,而右侧都为黑色⑤。上图中这俩节点都要这类于的解读。唯一特殊的是最右边OUTPUT栏下的输出节点。这俩节点中除了显示了区分平面之外,还显示了训练数据,也好多好多 希望通过神经网络区分的数据点。从上图中都要看过,经过两层的隐藏层,输出节点的区分平面不可能 都要完正区分不同颜色的数据点。

  综上所述,使用神经网络处置分类疑问图片主要都要分为以下十个 步骤。

  1.提取疑问图片中实体的型态向量作为神经网络的输入。不同的实体都要提取不同的型态向量,本书中将不具体介绍。本文假设作为神经网络输入的型态向量都要直接从数据集中获取。

  2.定义神经网络的型态,并定义怎样从神经网络的输入得到输出。这俩过程好多好多 神经网络的前向传播算法,另十个 将进行完正介绍。

  3.通过训练数据来调整神经网络中参数的取值,这好多好多 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依据,有日后下一节将大致介绍神经网络优化算法的框架,并介绍怎样通过TensorFlow实现这俩框架。

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

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

                       

引言:TensorFlow是谷歌2015年开源的主流深度学习框架,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深度学习框架》。

猜你喜欢

作为程序猿,30而立,立什么?

fagan克隆链接去分享你确实当事人做到了么,有你什儿 方便还须要继续努力?立业吧,技术日新月异,要保持当事人的水平,还是比较有难度的。作为线程池池猿的你,确实400而立

2020-02-17

如何做好一个管理者?如何管理好一个团队

一、作为一名管理人员,尤其是一名中层领导,首很难把责任装进第一位,淡化权利。3、为人诚信、负责。7、有韧性-对工作投入。3、为人诚信、负责。6、具有创意。6、具有创意。五、要人

2020-02-17

现代流式计算的基石:Google DataFlow

除Hadoop外你还须要知道的9个大数据技术谷歌弃用MapReduce,推出替代品CloudDataflow容错和高性能怎么兼得:Flink创始人谈流计算核心架构演化和现状除H

2020-02-17

盒子科技刘恒:聚合支付系统演讲

首先从第有另十个 主题讲那些是聚合支付,聚合支付主却说却说有另十个 将所有的第三方支付,通过借助形式融合在一同,要花费对接有另十个 支付接口,就并能使用各种支

2020-02-17

Adapter 适配器模式(设计模式03)

Adapter模式主要应用于“希望复用某些现存的类,但是 接口又与复用环境要求不一致的情况报告”,在遗留代码复用、类库迁移等方面非常有用。2、实现-Adaptee源码下载:

2020-02-17