神经网络体系搭建（四）——快速上手TensorFlow

本篇是神经网络体系搭建的第四篇，解决体系搭建的TensorFlow相关问题，详见神经网络体系搭建(序)

TensorFlow.png

TensorFlow安装

建议用Anaconda。

Mac & Linux

conda create -n tensorflow python=3.5
source activate tensorflow
conda install pandas matplotlib jupyter notebook scikit-learn
conda install -c conda-forge tensorflow

Windows

conda create -n tensorflow python=3.5
activate tensorflow
conda install pandas matplotlib jupyter notebook scikit-learn
conda install -c conda-forge tensorflow

TensorFlow的套路

初识TensorFlow，最不舒服的一点是：变量不能好好声明定义，非得用特定api封装成tensor才能使用，而且必须到session里才能运行。但是熟悉了它的套路之后也就习惯了，可以帮助打破以前的思维定式。

Session

TesorFlow的API构建在computational graph概念上，是一种对数学运算过程可视化的方法。session是运行graph的环境，分配GPU/CPU。这是和以往程序不同的一点，它是在session中运行的，所以逻辑写在session里。

数据封装

在TensorFlow里，数据不以int、string等方式存储，而是以“tensor”的形式存在。也就是说，所有过去我们熟悉的基本类型，都得用它的api再包装一遍，变成tensor，才能在session里用。

常量

关键字：tf.constant()

import tensorflow as tf
s = tf.constant('hello world!') # 0 维度的字符串 tensor
i = tf.constant(123) # 0 维度的int32 tensor
a = tf.constant([123,324,235432]) # 1 维度的int32 tensor
m = tf.constant([123,324,235432],[23,342,3]) # 2 维度的int32 tensor

非常量

很多时候一开始没有初值，需要运行时赋值，这时候就需要用tf.placeholder()
。用tf.placeholder()赋值的变量需要在session中用feed_dict设置值。

x = tf.placeholder(tf.string)
y = tf.placeholder(tf.int32)
z = tf.placeholder(tf.float32)

with tf.Session() as sess:
    output = sess.run(x, feed_dict={x: 'Test String', y: 123, z: 45.67})
     print(output) # 输出‘Test String’

还有一种是一开始有初值，后续需要不断更改的，比如权重矩阵w这一类，需要用tf.Variable，用tf.Variable声明的变量必须在session用tf.global_variables_initializer()初始化所有变量
```
n_features = 120
n_labels = 5
weights = tf.Variable(tf.truncated_normal((n_features, n_labels))) 
bias = tf.Variable(tf.zeros(n_labels))

with tf.Session() as sess:
  sess.run(tf.global_variables_initializer())
  print(sess.run(weights))
  print(sess.run(bias ))
```
上述代码tf.truncated_normal()表示取自一个正态分布的随机值，tf.zeros() 函数返回一个都是 0 的 tensor。

运算

实现神经网络算法避免不了加减乘除运算，这里罗列几个最基本的运算：

加tf.add()
```
x = tf.add(5, 2)  # 7
```
减tf.subtract
```
x = tf.subtract(10, 4) # 6
```
乘tf.multiply
```
x = multiply(2, 5) # 10
```

除tf.divide

# 除需要做一下类型转换，转成同一类型才能相除，否则会报错
x = tf.divide(tf.cast(tf.constant(10), tf.float32), tf.cast(tf.constant(2), tf.float32)) # 5.0

矩阵乘法tf.matmul

def linear(input, w, b):
  """
  Return linear function in TensorFlow
  :param input: TensorFlow input
  :param w: TensorFlow weights
  :param b: TensorFlow biases
  :return: TensorFlow linear function
  """
  # TODO: Linear Function (xW + b)
  return tf.add(tf.matmul(input, w), b)

自然对数 tf.log()
```
x = tf.log(100)  # 4.60517
```

batch

batch在TensorFlow中经常出现。它指一次训练数据的一小部分，而不是一整个数据集，这可以减少内存占用。虽然从运算角度讲是低效的，但是总比在一些内存低的电脑上不能运行强。这是它产生的初衷。

可以看一个计算：
一个float32 占4个字节，则
train_features Shape: (55000, 784) Type: float32
占55000x784x4=172480000字节
train_labels Shape: (55000, 10) Type: float32
占55000x10x4=2200000字节
weights Shape: (784, 10) Type: float32
占784x10x4=31360字节
bias Shape: (10,) Type: float32
占10x4=40字节
输入、权重和偏置项总共的内存空间需求是 174MB，并不是太多。你可以在 CPU 和 GPU 上训练整个数据集。
但将来你要用到的数据集可能是以 G 来衡量，甚至更多。你可以买更多的内存，但是会很贵。

和随机梯度下降结合起来也很好用。因此每次训练对数据混洗，取一个batch，对每个batch用梯度下降求权重，因为batch是随机的，所以其实是在对每个batch做随机梯度下降。

batch的计算方法(用例取自优达学城)
例如有 1000 个数据点，想每个 batch 有 128 个数据。但是 1000 无法被 128 整除。你得到的结果是其中 7 个 batch 有 128 个数据点，1个 batch 有 104 个数据点。(7128 + 1104 = 1000)
batch 里面的数据点数量会不同的情况下，需要利用 TensorFlow 的 tf.placeholder() 函数来接收这些不同的 batch。
继续上述例子，如果每个样本有 n_input = 784 特征，n_classes = 10 个可能的标签，features 的维度应该是 [None, n_input]，labels 的维度是 [None, n_classes]。

# Features and Labels
features = tf.placeholder(tf.float32, [None, n_input])
labels = tf.placeholder(tf.float32, [None, n_classes])

None 维度在这里是一个 batch size 的占位符。在运行时，TensorFlow 会接收任何大于 0 的 batch size。

batch的实现

import math
def batches(batch_size, features, labels):
    """
    Create batches of features and labels
    :param batch_size: The batch size
    :param features: List of features
    :param labels: List of labels
    :return: Batches of (Features, Labels)
    """
    assert len(features) == len(labels)
    # TODO: Implement batching
    output_batches = []
    sample_size = len(features)
    for start_i in range(0, sample_size, batch_size): 
        end_i = start_i + batch_size
        batch = [features[start_i:end_i], labels[start_i:end_i]]
        output_batches.append(batch)
        
    return output_batches

Epochs（代）

一个代是指整个数据集正向、反向训练一次。代在神经网络里是一个可调的超参数。

for epoch_i in range(epochs):
  ...

有了上面的基础知识，就可以用TensorFlow搭建模型了，当然，需要的比如softmax，交叉熵等等函数TensorFlow里都封装，具体用时查看API就行。

问题回答

至此，TensorFlow上手完毕。

TensorFlow如何使用？套路是什么？
见上。简单讲除了所有数据封装在tensor中，运行在session中外没什么特别的。

以上内容来自822实验室神经网络知识分享
我们的822，我们的青春
欢迎所有热爱知识热爱生活的朋友和822思享实验室一起成长，吃喝玩乐，享受知识。