用word可以做网站吗,怎么弄一个公司网站,自助建站系统源码,怎么建设网站赚钱本blog为观看MOOC视频与网易云课堂所做的笔记 课堂链接#xff1a; 人工智能实践:TensorFlow笔记 吴恩达机器学习 疑问与思考
为什么按照batch喂入数据
之前看的视频里面处理数据都是一次性将所有数据喂入#xff0c;现在看的这个视频对数据进行了分组投入。这是为何#… 本blog为观看MOOC视频与网易云课堂所做的笔记 课堂链接 人工智能实践:TensorFlow笔记 吴恩达机器学习 疑问与思考
为什么按照batch喂入数据
之前看的视频里面处理数据都是一次性将所有数据喂入现在看的这个视频对数据进行了分组投入。这是为何 参考链接 深度学习中的batch理解batch size一次喂给神经网络的数据大小量 用CNN做图像分类的时候为什么要一批一批地输入数据 对样本数据的处理方法 传统的梯度下降法用全部样本计算迭代时的梯度 随机梯度下降法(在线梯度下降法)一次只喂一个样本 batch梯度下降法:每次喂一部分样本让其完成本轮迭代 区别举例一次性喂500个样本并迭代一次跟一次喂1个样本迭代500次相比 第一种是将参数一次性更新500个样本的量第二种是迭代的更新500次参数。 1、在同等的计算量之下一定的时间内使用整个样本集的收敛速度要远慢于使用少量样本的情况。换句话说要想收敛到同一个最优点使用整个样本集时虽然迭代次数少但是每次迭代的时间长耗费的总时间是大于使用少量样本多次迭代的情况的。 2、样本量少的时候会带来很大的方差会导致在下降到很差的局部最小值、鞍点震荡出收敛处有利于向全局最小值迈进。 当样本量很多时方差很小对梯度的估计要准确和稳定的多可能导致深陷局部最小值、鞍点导致训练效果不如意 3、与GPU性能有关GPU性能越好同时训练的数据就越多batch就可以越大。
代码以及展示
把打乱后的数据集中前120个数据取出来作为训练集后30个为测试集 输入特征是4个所以输入节点是4。只用一层网络输出节点是分类数3 第一层for循环针对数据集第二层for循环针对batch。 训练集120个数据batch是32个每个step只能喂入32组数据需要batch级别循环4次。 所以除以4得到每个循环得到的平均loss。 代码
# 利用鸢尾花数据集实现前向传播、反向传播可视化loss曲线# 导入所需模块
import tensorflow as tf
from sklearn import datasets
from matplotlib import pyplot as plt
import numpy as np# 导入数据分别为输入特征和标签
x_data datasets.load_iris().data
y_data datasets.load_iris().target# 随机打乱数据因为原始数据是顺序的顺序不打乱会影响准确率
# seed: 随机数种子是一个整数当设置之后每次生成的随机数都一样为方便教学以保每位同学结果一致
np.random.seed(116) # 使用相同的seed保证输入特征和标签一一对应
np.random.shuffle(x_data)
np.random.seed(116)
np.random.shuffle(y_data)
tf.random.set_seed(116)# 将打乱后的数据集分割为训练集和测试集训练集为前120行测试集为后30行
x_train x_data[:-30]
y_train y_data[:-30]
x_test x_data[-30:]
y_test y_data[-30:]# 转换x的数据类型否则后面矩阵相乘时会因数据类型不一致报错
x_train tf.cast(x_train, tf.float32)
x_test tf.cast(x_test, tf.float32)# from_tensor_slices函数使输入特征和标签值一一对应。把数据集分批次每个批次batch组数据
train_db tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32)
test_db tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)# 生成神经网络的参数4个输入特征故输入层为4个输入节点因为3分类故输出层为3个神经元
# 用tf.Variable()标记参数可训练
# 使用seed使每次生成的随机数相同方便教学使大家结果都一致在现实使用时不写seed
w1 tf.Variable(tf.random.truncated_normal([4, 3], stddev0.1, seed1))
b1 tf.Variable(tf.random.truncated_normal([3], stddev0.1, seed1))lr 0.1 # 学习率为0.1
train_loss_results [] # 将每轮的loss记录在此列表中为后续画loss曲线提供数据
test_acc [] # 将每轮的acc记录在此列表中为后续画acc曲线提供数据
epoch 500 # 循环500轮
loss_all 0 # 每轮分4个steploss_all记录四个step生成的4个loss的和# 训练部分
for epoch in range(epoch): #数据集级别的循环每个epoch循环一次数据集for step, (x_train, y_train) in enumerate(train_db): #batch级别的循环 每个step循环一个batchwith tf.GradientTape() as tape: # with结构记录梯度信息y tf.matmul(x_train, w1) b1 # 神经网络乘加运算y tf.nn.softmax(y) # 使输出y符合概率分布此操作后与独热码同量级可相减求lossy_ tf.one_hot(y_train, depth3) # 将标签值转换为独热码格式方便计算loss和accuracyloss tf.reduce_mean(tf.square(y_ - y)) # 采用均方误差损失函数mse mean(sum(y-out)^2)loss_all loss.numpy() # 将每个step计算出的loss累加为后续求loss平均值提供数据这样计算的loss更准确# 计算loss对各个参数的梯度grads tape.gradient(loss, [w1, b1])# 实现梯度更新 w1 w1 - lr * w1_grad b b - lr * b_gradw1.assign_sub(lr * grads[0]) # 参数w1自更新b1.assign_sub(lr * grads[1]) # 参数b自更新# 每个epoch打印loss信息print(Epoch {}, loss: {}.format(epoch, loss_all/4))train_loss_results.append(loss_all / 4) # 将4个step的loss求平均记录在此变量中loss_all 0 # loss_all归零为记录下一个epoch的loss做准备# 测试部分# total_correct为预测对的样本个数, total_number为测试的总样本数将这两个变量都初始化为0total_correct, total_number 0, 0for x_test, y_test in test_db:# 使用更新后的参数进行预测y tf.matmul(x_test, w1) b1y tf.nn.softmax(y)pred tf.argmax(y, axis1) # 返回y中最大值的索引即预测的分类# 将pred转换为y_test的数据类型pred tf.cast(pred, dtypey_test.dtype)# 若分类正确则correct1否则为0将bool型的结果转换为int型correct tf.cast(tf.equal(pred, y_test), dtypetf.int32)# 将每个batch的correct数加起来correct tf.reduce_sum(correct)# 将所有batch中的correct数加起来total_correct int(correct)# total_number为测试的总样本数也就是x_test的行数shape[0]返回变量的行数total_number x_test.shape[0]# 总的准确率等于total_correct/total_numberacc total_correct / total_numbertest_acc.append(acc)print(Test_acc:, acc)print(--------------------------)# 绘制 loss 曲线
plt.title(Loss Function Curve) # 图片标题
plt.xlabel(Epoch) # x轴变量名称
plt.ylabel(Loss) # y轴变量名称
plt.plot(train_loss_results, label$Loss$) # 逐点画出trian_loss_results值并连线连线图标是Loss
plt.legend() # 画出曲线图标
plt.show() # 画出图像# 绘制 Accuracy 曲线
plt.title(Acc Curve) # 图片标题
plt.xlabel(Epoch) # x轴变量名称
plt.ylabel(Acc) # y轴变量名称
plt.plot(test_acc, label$Accuracy$) # 逐点画出test_acc值并连线连线图标是Accuracy
plt.legend()
plt.show()
