TensorFlow机器学习实战指南之第一章

TensorFlow基础

一、TensorFlow算法的一般流程

1.导入/生成样本数据集

SRE实战 互联网时代守护先锋，助力企业售后服务体系运筹帷幄！一键直达领取阿里云限量特价优惠。

2.转换和归一化数据：一般来讲，输入样本数据集并不符合TensorFlow期望的形状，所以需要转换数据格式以满足TensorFlow。

当数据集的维度或者类型不符合所用机器学习算法的要求时，需要在使用前进行数据转换。大部分机器学习算法期待的输入样本数据是归一化的数据。

TensorFlow具有内建函数来归一化数据，如下：

data = tf.nn.batch_norm_with_global_normalization()

3.划分样本数据集为训练样本集、测试样本集和验证样本集：一般要求机器学习算法的训练样本集和测
试样本集是不同的数据集。另外，许多机器学习算法要求超参数调优，所以需要验证样本集来决定最优的超
参数。

4.设置机器学习参数（超参数）：机器学习经常要有一系列的常量参数。例如，迭代次数、学习率，或

者其他固定参数。约定俗成的习惯是一次性初始化所有的机器学习参数，读者经常看到的形式如下：

 

5.初始化变量和占位符：在求解最优化过程中（最小化损失函数），TensorFlow通过占位符获取数据，
并调整变量和权重/偏差。TensorFlow指定数据大小和数据类型初始化变量和占位符。使用方式如下：

6.定义模型结构：在获取样本数据集、初始化变量和占位符后，开始定义机器学习模型。TensorFlow通
过选择操作、变量和占位符的值来构建计算图。这里给出简单的线性模型：

 

7.声明损失函数：定义完模型后，需要声明损失函数来评估输出结果。损失函数能说明预测值与实际值
的差距：

8.初始化模型和训练模型：TensorFlow创建计算图实例，通过占位符赋值，维护变量的状态信息。下面
是初始化计算图的一种方式：

9.评估机器学习模型：一旦构建计算图，并训练机器学习模型后，需要寻找某种标准来评估机器学习模
型对新样本数据集的效果。通过对训练样本集和测试样本集的评估，可以确定机器学习模型是过拟合还是欠
拟合。

10.调优超参数：大部分情况下，机器学习者需要基于模型效果来回调整一些超参数。通过调整不同的
超参数来重复训练模型，并用验证样本集来评估机器学习模型。

11.发布/预测结果：所有机器学习模型一旦训练好，最后都用来预测新的、未知的数据。

二、声明张量 

TensorFlow的主要数据结构是张量，它用张量来操作计算图。在TensorFlow里可以把变量或者占位符声
明为张量。首先，需要知道如何创建张量。

创建一个张量，声明其为一个变量。TensorFlow在计算图中可以创建多个图结构。这里需要指出，在
TensorFlow中创建一个张量，并不会立即在计算图中增加什么。只有把张量赋值给一个变量或者占位符，
TensorFlow才会把此张量增加到计算图。

这里将介绍在TensorFlow中创建张量的主要方法：

1.固定张量：

·创建指定维度的零张量。使用方式如下：

·创建指定维度的单位张量。使用方式如下：

·创建指定维度的常数填充的张量。使用方式如下：

·用已知常数张量创建一个张量。使用方式如下：

2.相似形状的张量：

·新建一个与给定的tensor类型大小一致的tensor，其所有元素为0或者1，使用方式如下：

3.序列张量：

·TensorFlow可以创建指定间隔的张量。下面的函数的输出跟range（）函数和numpy的linspace（）函数
的输出相似：

·返回的张量是[0.0，0.5，1.0]序列。注意，上面的函数结果中最后一个值是stop值。另外一个rang（）
函数的使用方式如下：

·返回的张量是[6，9，12]。注意，这个函数结果不包括limit值。

 4.随机张量：

·下面的tf.random_uniform（）函数生成均匀分布的随机数

 

·tf.random_normal（）函数生成正态分布的随机数：

·tf.truncated_normal（）函数生成带有指定边界的正态分布的随机数，其正态分布的随机数位于指定均
值（期望）到两个标准差之间的区间：

·张量/数组的随机化。tf.random_shuffle（）和tf，random_crop（）可以实现此功能：

·张量的随机剪裁。tf.random_crop（）可以实现对张量指定大小的随机剪裁。在本书的后面部分，会对
具有3通道颜色的图像（height，width，3）进行随机剪裁。为了固定剪裁结果的一个维度，需要在相应的维
度上赋其最大值：

 

 一旦创建好张量，就可以通过tf.Variable（）函数封装张量来作为变量。

注：

创建张量并不一定得用TensorFlow内建函数，可以使用tf.convert_to_tensor（）函数将任意numpy数组转
换为Python列表，或者将常量转换为一个张量。注意，tf.convert_to_tensor（）函数也可以接受张量作为输
入。

三、占位符和变量

使用TensorFlow计算图的关键工具是占位符和变量，也请读者务必理解两者的区别，以及什么地方该用
谁。

使用数据的关键点之一是搞清楚它是占位符还是变量。变量是TensorFlow机器学习算法的参数，
TensorFlow维护（调整）这些变量的状态来优化机器学习算法。占位符是TensorFlow对象，用于表示输入输
出数据的格式，允许传入指定类型和形状的数据，并依赖计算图的计算结果，比如，期望的计算结果。

 

在TensorFlow中，tf.Variable（）函数创建变量，过程是输入一个张量，返回一个变量。声明变量后需要
初始化变量。下面是创建变量并初始化的例子：

占位符仅仅声明数据位置，用于传入数据到计算图。占位符通过会话的feed_dict参数获取数据。在计算
图中使用占位符时，必须在其上执行至少一个操作。在TensorFlow中，初始化计算图，声明一个占位符x，
定义y为x的identity操作。identity操作返回占位符传入的数据本身。结果图将在下节展示，代码如下：

 

 矩阵的常用操作

 

 

 

In [3]:

import tensorflow as tf
import numpy as np

In [4]:

sess = tf.Session()
identity_matrix = tf.diag([1.0, 1.0, 1.0]) # 对角阵
print(sess.run(identity_matrix))

 

[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]

In [5]:

A = tf.truncated_normal([2, 3])
print(sess.run(A))

 

[[-0.5786329   1.4652022   0.5517408 ]
 [-0.98360574  0.66149354 -0.8040531 ]]

In [6]:

B = tf.fill([2, 3], 5.0)
print(sess.run(B))

 

[[5. 5. 5.]
 [5. 5. 5.]]

In [7]:

C = tf.random_uniform([3, 2])
print(sess.run(C))

 

[[0.9898286  0.8746687 ]
 [0.8308246  0.46435404]
 [0.66066265 0.15331614]]

In [8]:

# Create matrix from np array
D = tf.convert_to_tensor(np.array([[1., 2., 3.], [-3., -7., -1.], [0., 5., -2.]]))
print(sess.run(D))

 

[[ 1.  2.  3.]
 [-3. -7. -1.]
 [ 0.  5. -2.]]

In [9]:

# Matrix addition/subtraction
print(sess.run(A + B))

 

[[4.0406456 4.6771774 5.870362 ]
 [5.1844687 4.695226  5.8468685]]

In [10]:

# Matrix Multiplication
print(sess.run(tf.matmul(B, identity_matrix)))

 

[[5. 5. 5.]
 [5. 5. 5.]]

In [11]:

# Matrix Transpose 矩阵转置
print(sess.run(tf.transpose(C))) # Again, new random variables

 

[[0.2655393  0.23314857 0.6464461 ]
 [0.5616721  0.39336514 0.9367839 ]]

In [12]:

# Matrix Determinant 行列式
print(sess.run(tf.matrix_determinant(D)))

 

-37.99999999999999

In [13]:

# Matrix Inverse 逆矩阵
print(sess.run(tf.matrix_inverse(D)))

 

[[-0.5        -0.5        -0.5       ]
 [ 0.15789474  0.05263158  0.21052632]
 [ 0.39473684  0.13157895  0.02631579]]

In [14]:

# Cholesky Decomposition 矩阵分解
print(sess.run(tf.cholesky(identity_matrix)))

 

[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]

In [15]:

# Eigenvalues and Eigenvectors 矩阵特征值和特征向量
print(sess.run(tf.self_adjoint_eig(D)))

 

(array([-10.65907521,  -0.22750691,   2.88658212]), array([[ 0.21749542,  0.63250104, -0.74339638],
       [ 0.84526515,  0.2587998 ,  0.46749277],
       [-0.4880805 ,  0.73004459,  0.47834331]]))

In [16]:

# div() vs truediv() vs floordiv()
print(sess.run(tf.div(3, 4)))  # 直接向下取整

 

0

In [17]:

print(sess.run(tf.truediv(3, 4)))  # 小数表示

 

0.75

In [18]:

print(sess.run(tf.floordiv(3.0, 4.0)))  # 向下取整

 

0.0

In [19]:

# Mod function
print(sess.run(tf.mod(22.0, 5.0)))  # 取余

 

2.0

In [20]:

# Trig functions 三角函数，sin(π)
print(sess.run(tf.sin(3.1416)))

 

-7.2399803e-06

In [21]:

print(sess.run(tf.cos(3.1416)))  # 三角函数，cos(π)

 

-1.0

In [22]:

# Tangemt
print(sess.run(tf.div(tf.sin(3.1416 / 4.), tf.cos(3.1416 / 4.))))

 

1.0000036

   

扫码关注我们

微信号：SRE实战

拒绝背锅 运筹帷幄