当前位置: 首页>编程语言>正文

机器学习怎么确定神经元数量 如何数神经元个数

一、前期准备

1)tensorflow环境搭建

2)cifar数据集

官网链接http://www.cs.toronto.edu/~kriz/cifar.html

通过官网可以看到CIFAR-10数据集有5万个训练样本,1万个测试样本

机器学习怎么确定神经元数量 如何数神经元个数,机器学习怎么确定神经元数量 如何数神经元个数_人工智能,第1张

 图片大小为32*32

机器学习怎么确定神经元数量 如何数神经元个数,机器学习怎么确定神经元数量 如何数神经元个数_机器学习怎么确定神经元数量_02,第2张

 由于学习视频总为TF1.0,但是实战中使用的是tensorflow2.9.1,具体查看方式为:

  ①进入conda

  ②激活安装了tensorflow的conda环境

  ③输入指令python

  ④import tensorflow as tf

  ⑤使用指令“tf.__version__"(注意这里有两条下划线)

机器学习怎么确定神经元数量 如何数神经元个数,机器学习怎么确定神经元数量 如何数神经元个数_机器学习怎么确定神经元数量_03,第3张

安装的数据集放在jupyter工作目录的文件夹内,例如我的jupyter是在文件deep_learing_practise中,那么就把CIFAR-10放在该目录中,进入jupyter notebook流程如下:

机器学习怎么确定神经元数量 如何数神经元个数,机器学习怎么确定神经元数量 如何数神经元个数_机器学习怎么确定神经元数量_04,第4张

 CIFAR-10数据集具体存放位置如下:

机器学习怎么确定神经元数量 如何数神经元个数,机器学习怎么确定神经元数量 如何数神经元个数_tensorflow_05,第5张

 二、代码书写

1)导入tensorflow包并且使用lister()函数得到该目录下的文件

 本处因为后面建立的模型,重复运行两次相同的代码会报错,可以加上语句tf.reset_default_graph()然后从头开始重新运行,也可以点击jupyter中的Kernel选择Restart & Clear Output只有再重新运行。如下:

机器学习怎么确定神经元数量 如何数神经元个数,机器学习怎么确定神经元数量 如何数神经元个数_人工智能_06,第6张

代码如下: 

# import tensorflow as tf
# tf.compat.v1.disable_eager_execution()
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
tf.reset_default_graph() # 模型代码,重复运行两次相同代码会报错

import os
import pickle
import numpy as np

CIFAR_DIR = ".\cifar-10-batches-py"  #相对路径
print(os.listdir(CIFAR_DIR))

2)加载需要用到的数据

定义函数load_data从data文件中读物数据,此处使用的是python3,所以在编码格式选择的是iso-8859-1,属于单字节编码,最多能表示的字符范围是0-255。

定义类CifarData,使用函数__init__初始化数据,参数need_shuffle表示数据集是否需要乱序,训练接需要乱序,但是测试集不需要,所以在该模块最后调用该类时,数据集输入need_shuffle = True,而测试集则为False。

在初始化函数中加载数据集返回data数据和labels数据集合,使用语句for item,label in zip(data,labels),即每个图片数据对应一个item,每个标签对应一个label,将数据打包成元组,再由元组组成列表。在代码中输出验证也可以得到,数据类型为list。

使用函数vstack()是按照垂直方向堆叠数组,构成一个新的数组,堆叠的数组需要具有相同的维度。函数hstack()是按照水平方法堆叠数组,构成一个新的数组,堆叠的数组需要具有相同的维度。

对图片进行缩放到范围-1到1,做归一化处理,将特征值大小调整到相近的范围,可以加速模型训练。因为不做归一化处理时,如果特征值较大,梯度值也会较大,特征值较小,梯度值也会较小。在模型反向传播时,梯度值更新与学习率一样,当学习率较小时,梯度值较小会导致更新缓慢,当学习率较大时,梯度值较大会导致模型不易收敛。使用语句self._data = self._data / 127.5 - 1

_num_examples表示属于类别0和1的图片数据个数,通过代码输出测试我们可以看见,属于类别0有5万数据,属于类别1有1万数据。

改模块代码如下:

def load_data(filename):
    """read data from data file"""
    with open(filename,'rb') as f:
        data = pickle.load(f,encoding='iso-8859-1')
        return data['data'],data['labels']
    
class CifarData:
    def __init__(self,filenames,need_shuffle): # shuffle乱序,训练集需要,测试集不需要
        all_data = []
        all_labels = []
        for filename in filenames:
            data,labels = load_data(filename)
            all_data.append(data)
            all_labels.append(labels)
        self._data = np.vstack(all_data) 
        # np.vstack按垂直方向堆叠数组,构成一个新的数组,堆叠的数组需要具有相同的维度
        self._data = self._data / 127.5 - 1 # 对图片进行缩放到范围-1到1,相当于做了一个归一化
        self._labels = np.hstack(all_labels)
        # np.hstack按水平方向堆叠数组,构成一个新的数组,堆叠的数组需要具有相同的维度
        print(self._data.shape)
        print(self._labels.shape)
        # print(type(self._data))
        # print(type(all_data))
        self._num_examples = self._data.shape[0]
        self._need_shuffle = need_shuffle
        self._indicator = 0  # 指明当前数据集已经训练到哪个位置了
        if self._need_shuffle:
            self._shuffle_data()
        print(self._num_examples)
                
    def _shuffle_data(self):
        # [0,1,2,3,4,5] -> [5,3,2,1,0,4]可能
        p = np.random.permutation(self._num_examples)
        self._data = self._data[p]
        self._labels = self._labels[p]
        
    def next_batch(self,batch_size):
        """return batch_size examples as a batch."""
        end_indicator = self._indicator + batch_size
        if end_indicator > self._num_examples:
            if end_indicator > self._num_examples:
                self._suffle_data()
                self._indicator = 0
                end_indicator = batch_size
            else:
                raise Exception("have no more examples")
        if end_indicator > self._num_examples:   # 说明batch_size比我们设计的全部样本还要大
            raise Exception("barch size is larger thann all examples")
        batch_data = self._data[self._indicator:end_indicator]
        batch_labels = self._labels[self._indicator:end_indicator]
        self._indicatorn = end_indicator
        return batch_data,batch_labels
    
# 一次性加载多个数据
train_filenames = [os.path.join(CIFAR_DIR,'data_batch_%d' % i) for i in range(1,6)]
test_filenames = [os.path.join(CIFAR_DIR,'test_batch')]
    
train_data = CifarData(train_filenames,True)
test_data = CifarData(test_filenames,False)

# 测试代码
# batch_data,batch_labels = train_data.next_batch(10)
# print(batch_data.shape)
# print(batch_labels.shape)

3)构建计算图

placeholder在tensorflow2.0以上版本已经不再使用,但是本处仍然使用该方法。需要在导入时声明语句:import tensorflow.compat.v1 as tf
           tf.disable_v2_behavior()

w为权值,初始时为服从正态分布的随机数

b为偏移量,初始时为0

由神经元的结构可以得到,内积值计算方式为y_ = tf.matmul(x,w) + b ,就是将x和w做一个矩阵乘法,使用函数matmul(),再加上偏移量b。

使用函数sigmoid将内积值y_编程一个概率值。再对数据进行reshape

计算损失值loss,将y值和预测值做均方差处理,语句为loss = tf.reduce_mean(tf.square(y_reshaped_float - p_y_1))其中y值为y_reshaped_float,预测值为p_y_1。

x = tf.placeholder(tf.float32,[None,3072])  #placeholder占位
y = tf.placeholder(tf.int64,[None])   #None即不确定

# (3072,1)
w = tf.get_variable('w',[x.get_shape()[-1],1],
                   initializer = tf.random_normal_initializer(0,1))
#(1,)
b = tf.get_variable('b',[1],
                   initializer = tf.constant_initializer(0.0))

# [None,3072] * [3072,1] = [None,1]
y_ = tf.matmul(x,w) + b  #x和w做一个矩阵乘法,此时y值只是一个内积值

# [None,1]
p_y_1 = tf.nn.sigmoid(y_)   #将y_变成一个概率值
# [None,1]
y_reshaped = tf.reshape(y,(-1,1))
y_reshaped_float = tf.cast(y_reshaped,tf.float32)

loss = tf.reduce_mean(tf.square(y_reshaped_float - p_y_1)) # 计算损失值

# bool
predict = p_y_1 > 0.5
# [1,0,1,1,1,0,0,0]
correct_prediction = tf.equal(tf.cast(predict,tf.int64),y_reshaped)
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float64))

with tf.name_scope('train_op'):   # 此处是1e-3而不是le-3
    train_op = tf.train.AdamOptimizer(1e-3).minimize(loss)#AdamOptimizer梯度下降的一个变种

4)训练

单神经元实现二分类逻辑斯蒂回归

代码为:

init = tf.global_variables_initializer()
batch_size = 20
train_steps = 100000
test_steps = 100

with tf.Session() as sess:
    for i in range(train_steps):
        sess.run(init)
        batch_data,batch_labels = train_data.next_batch(batch_size)
        loss_val,acc_val,_ = sess.run(
            [loss,accuracy,train_op],
            feed_dict = {x: batch_data,
                         y: batch_labels}) # feed_dict是需要塞入的数据
        if (i+1) % 500 == 0:
            print('[Train] Step: %d, loss: %4.5f,acc:%4.5f' \
                 % (i, loss_val, acc_val))
        if (i+1) %5000 == 0:
            test_data = CifarData(test_filenames,False)
            all_test_acc_val = []
            for j in range(test_steps):
                test_batch_data,test_batch_labels \
                  = test_data.next_batch(batch_size)
                test_acc_val = sess.run(
                   [accuracy],feed_dict={
                       x: test_batch_data,
                       y: test_batch_labels})
                all_test_acc_val.append(test_acc_val)
            test_acc = np.mean(all_test_acc_val)
            print('[Test] Step: %d, acc: %4.5f' % (i+1,test_acc))

https://www.xamrdz.com/lan/54u1923112.html

相关文章: