tensorflow运行方式

title: tensorflow运行方式
date: 2020-05-03 08:51:28
tags: 神经网络

从hello world(mnist)记起–tensorflow文档

1. 一个数组数组可以表示这个图像

2. mnist.train.images的形状为【60000，784】的张量，第一个维度数字用来索引图片，第二个维度数字用来索引每张图片的像素点

回归模型

1. 我们希望得到给定图片属于代表每个数字的概率，softmax回归用来做这件事情分为两步
   • 为了得到一张给定图片属于某个数字类的证据，我们对图片像素值进行加权求和
   • 如果这个图片具有很强的证据说明这种图片不属于某类，则相应的权值为负值，相反为正值
   • 加入一个偏置量来减弱干扰
   • y=softmax(evidence)–激活函数用如下图来解释softmax模型
   • 
   • 用一个向量表示这个计算过程
   • 
   • 可以表示为 y = softmax(w+b)

训练模型

1. 训练的模型有好有坏，这个时候需要一个评估标准，而这个标准就是成本/损失。之后我们通过某种方法最小化这个指标
2. 交叉熵和我在论文中用到的对比损失函数无疑是比较优秀的函数，而计算交叉熵需要添加一个占位符
   • y_ = tf.placeholde("float32",[None,10])
3. 紧接着我们可以用梯度下降算法最小化我们的损失值（其实我们只需调整一行代码就可以改变最小化损失值的算法）train_step=tf.train.G....(0.01).mninmize(损失函数)
4. 初始化然后启动
   • init=tf.initialize_all_variables()
   • sess=tf.Session() sess.run(init)
5. 每次随机抓100个数据训练模型（这是为了减小开销，毕竟全部训练最准确（一定吗？））
   • for i in range(1000): batch_xs,batch_ys=mnist.train.next_batch(100)
   • sess.run(train_step,feed_dict={x:batch_xs,y_:batch_ys})

评估模型

1. 预测正确的标签必不可少。tf.argmax可以给出某个tensor对象在某一维上的其数据最大值所在的索引值
   • correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_1))
   • accuracy=tf.reduce_mean(tf.cast(correct_prediction,"float"))
   • sess.run(accuracy,feed_fict={x:mnist.test.images,y_:mnist.test.labels})