Press "Enter" to skip to content

Code For Better 谷歌开发者之声 ——Tensorflow与深度学习

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

目录

 

二、机器学习与深度学习

 

2.3 机器学习和深度学习应用

 

三、TensorFlow实现递归神经网络

 

一、TensorFlow简介

 

TensorFlow 是由 Google 团队开发的深度学习框架之一,它是一个完全基于 Python 语言设计的开源的软件。TensorFlow 的初衷是以最简单的方式实现机器学习和深度学习的概念,它结合了 计算代数 的优化技术,使它便计算许多数学表达式。

 

TensorFlow 可以训练和运行 深度神经网络 ,它能应用在许多场景下,比如,图像识别、手写数字分类、递归神经网络、单词嵌入、自然语言处理、视频检测等等。TensorFlow 可以运行在多个 CPU 或 GPU 上,同时它也可以运行在移动端操作系统上(如安卓、IOS 等),它的架构灵活,具有良好的可扩展性,能够支持各种网络模型(如OSI七层和TCP/IP四层)。

 

TensorFlow官方网站有两个,访问其中一个就可以,它们分别如下 :

关于TensorFlow | TensorFlow中文官网
https://www.tensorflow.org/

 

TensorFlow有以下重要功能 –

它包含一个叫做张量概念,用来创建多维数组,优化和计算数学表达式。
它包括深度神经网络和机器学习技术的编程支持。
它包括具有各种数据集的高可扩展计算功能。

二、机器学习与深度学习

 

2.1 什幺是机器学习

 

通常,为了实现人工智能,我们使用机器学习。我们有几种算法用于机器学习。例如:

 

Find-S算法,决策树算法(Decision trees),随机森林算法(Random forests),人工神经网络

 

通常,有3种类型的学习算法:

 

1,监督机器学习算法用于进行预测。此外,该算法搜索分配给数据点的值标签内的模式。

 

2,无监督机器学习算法:没有标签与数据点相关联。这些ML算法将数据组织成一组簇。此外,它需要描述其结构,使复杂的数据看起来简单,有条理,便于分析。

 

3,增强机器学习算法:我们使用这些算法来选择动作。此外,我们可以看到它基于每个数据点。一段时间后,算法改变其策略以更好地学习。

 

2.2  什幺是深度学习

 

机器学习只关注解决现实问题。它还需要更加智能的一些想法。机器学习通过旨在模仿人类决策能力的神经网络。ML工具和技术是关键的两个深度学习的窄子集,我们需要用他们来解决需要思考的问题。任何深度神经网络都将包含三种类型的图层:

 

输入层     隐藏层        输出层

 

我们可以说深度学习是机器学习领域的最新领域。这是实现机器学习的一种方式。

 

2.3 机器学习和深度学习应用

 

计算机视觉: 我们将其用于车牌识别和面部识别等不同应用。

 

信息检索: 我们将ML和DL用于搜索引擎,文本搜索和图像搜索等应用程序。

 

营销:我们在自动电子邮件营销和目标识别中使用这种学习技术。

 

医疗诊断:它在医学领域也有广泛的应用。癌症鉴定和异常检测等应用。

 

自然语言处理:适用于情感分析,照片标签,在线广告等应用。

 

2.4 趋势

 

如今,机器学习和数据科学正处于趋势中。在公司中,对它们的需求正在迅速增加。对于希望在其业务中集成机器学习而生存的公司而言,他们的需求尤其大。

 

深度学习被发现,并证明拥有最先进的表演技术。因此,深度学习让我们感到惊讶,并将在不久的将来继续这样做。

 

最近,研究人员不断探索机器学习和深度学习。过去,研究人员仅限于学术界。但是,如今,机器学习和深度学习的研究正在两个行业和学术界中占据一席之地。

 

三、TensorFlow实现递归神经网络

 

递归神经网络是一种面向深度学习的算法,遵循顺序方法。在神经网络中,我们总是假设每个输入和输出都独立于所有其他层。这些类型的神经网络称为循环,因为它们以顺序方式执行数学计算,考虑以下步骤来训练递归神经网络 –

 

第1步- 从数据集输入特定示例。

 

第2步- 网络将举例并使用随机初始化变量计算一些计算。

 

第3步- 然后计算预测结果。

 

第4步- 生成的实际结果与期望值的比较将产生错误。

 

第5步- 为了跟踪错误,它通过相同的路径传播,其中也要调整变量。

 

第6步- 重复从1到5的步骤,直到声明获得输出的变量正确定义。

 

第7步- 通过应用这些变量来获得新的看不见的输入来进行系统预测。

 

表示递归神经网络的示意方法如下所述 :

 

 

第1步TensorFlow包括用于循环神经网络模块的特定实现的各种库。

 

#Import necessary modules
from __future__ import print_function
import tensorflow as tf
from tensorflow.contrib import rnn
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("/tmp/data/", one_hot = True)

 

第2步使用递归神经网络对图像进行分类,将每个图像行视为像素序列。MNIST图像形状具体定义为 28 * 28 像素。现在将为所提到的每个样本处理28个序列和28个步骤。定义输入参数以完成顺序模式。

 

n_input = 28 # MNIST data input with img shape 28*28
n_steps = 28
n_hidden = 128
n_classes = 10
# tf Graph input
x = tf.placeholder("float", [None, n_steps, n_input])
y = tf.placeholder("float", [None, n_classes]
weights = {
   'out': tf.Variable(tf.random_normal([n_hidden, n_classes]))
}
biases = {
   'out': tf.Variable(tf.random_normal([n_classes]))
}

 

第3步使用RNN中定义的函数计算结果以获得最佳结果。这里,将每个数据形状与当前输入形状进行比较,并计算结果以保持准确率。

 

def RNN(x, weights, biases):
   x = tf.unstack(x, n_steps, 1)
   # Define a lstm cell with tensorflow
   lstm_cell = rnn.BasicLSTMCell(n_hidden, forget_bias=1.0)
   # Get lstm cell output
   outputs, states = rnn.static_rnn(lstm_cell, x, dtype = tf.float32)
   # Linear activation, using rnn inner loop last output
   return tf.matmul(outputs[-1], weights['out']) + biases['out']
pred = RNN(x, weights, biases)
# Define loss and optimizer
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = pred, labels = y))
optimizer = tf.train.AdamOptimizer(learning_rate = learning_rate).minimize(cost)
# Evaluate model
correct_pred = tf.equal(tf.argmax(pred,1), tf.argmax(y,1))
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))
# Initializing the variables
init = tf.global_variables_initializer()

 

第4步在此步骤中,将启动图形以获得计算结果。也有助于计算测试结果的准确性。

 

with tf.Session() as sess:
   sess.run(init)
   step = 1
   # Keep training until reach max iterations
   while step * batch_size < training_iters:
      batch_x, batch_y = mnist.train.next_batch(batch_size)
      batch_x = batch_x.reshape((batch_size, n_steps, n_input))
      sess.run(optimizer, feed_dict={x: batch_x, y: batch_y})
      if step % display_step == 0:
         # Calculate batch accuracy
         acc = sess.run(accuracy, feed_dict={x: batch_x, y: batch_y})
         # Calculate batch loss
         loss = sess.run(cost, feed_dict={x: batch_x, y: batch_y})
         print("Iter " + str(step*batch_size) + ", Minibatch Loss {:.6f}".format(loss) + ", Training Accuracy= {:.5f}".format(acc))
      step += 1
   print("Optimization Finished!")
      test_len = 128
   test_data = mnist.test.images[:test_len].reshape((-1, n_steps, n_input))
   test_label = mnist.test.labels[:test_len]
   print("Testing Accuracy:", \
      sess.run(accuracy, feed_dict={x: test_data, y: test_label}))

 

 

上面的屏幕截图显示了生成的输出 。

 

毫不夸张得说,TensorFlow的流行让深度学习门槛变得越来越低,只要你有Python和机器学习基础,入门和使用神经网络模型变得非常简单。TensorFlow支持Python和C++两种编程语言,再复杂的多层神经网络模型都可以用Python来实现。

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。