位置: IT常识 - 正文

PyTorch 深度学习实战 |用 TensorFlow 训练神经网络

编辑:rootadmin
PyTorch 深度学习实战 |用 TensorFlow 训练神经网络

推荐整理分享PyTorch 深度学习实战 |用 TensorFlow 训练神经网络,希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:,内容如对您有帮助,希望把文章链接给更多的朋友!

为了更好地理解神经网络如何解决现实世界中的问题,同时也为了熟悉 TensorFlow 的 API,本篇我们将会做一个有关如何训练神经网络的练习,并以此为例,训练一个类似的神经网络。

我们即将看到的神经网络,是一个预训练好的用于对手写体数字(整数)图像进行识别的神经网络,它使用了 MNIST 数据集(http://yann.lecun.com/exdb/mnist/),这是一个经常被用于研究模式识别任务的经典的数据集。

01、MNIST 数据集

Modifiled National Institute of Standards and Technology(MNIST)数据集包含 6 万张图像的训练集和 1 万张图像的测试集。每个图像是一个手写体的数字。来自美国政府所提供数据的 MNIST 数据集,最初是用来测试计算机系统识别手写字体方法的。如果计算机能成功识别手写体,这将对提高邮政服务和税收系统以及政府服务的效率,具有重大意义。在当前的研究中,也有一些不同的、更新的数据集(如 CIFAR 数据集)。但是,用 MNIST 数据集来理解神经网络的工作原理仍然是非常有用的,因为使用它,已知模型可达到很高的精确度和效率。

▍CIFAR 数据集是一个机器学习数据集,包含不同类别的图像。与 MNIST 数据集不同的是,CIFAR 数据集包含许多不同领域的类,比如动物、活动和对象。CIFAR 数据集可在https://www.cs.toronto.edu/~kriz/cifar.html下载。

▍摘自 MNIST 数据集的训练集图像。每个图像是一个单独的 20×20 像素的手写数字图像,原始数据集可以在http://yann.lecun.com/exdb/mnist/找到

02、用 TensorFlow 训练神经网络

现在,让我们用 MNIST 数据集训练一个神经网络,并识别新的数字。

在这个手写体识别的问题上,我们用一个特殊的神经网络——“卷积神经网络”——来解决。我们的神经网络包含三个隐藏层:两个全连接层和一个卷积层。卷积层被以下基于 Python 语言的 TensorFlow 代码段所定义,详见代码段 1。

W = tf.Variable(tf.truncated_normal([5, 5, size_in, size_out],stddev=0.1),name="Weights")B = tf.Variable(tf.constant(0.1, shape=[size_out]),name="Biases")convolution = tf.nn.conv2d(input, W, strides=[1, 1, 1, 1],padding="SAME")activation = tf.nn.relu(convolution + B)tf.nn.max_pool(activation,ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1],

在神经网络训练期间,只需执行一次代码段。

变量 W 和 B 代表权重(weights)和偏差(biases)。这些变量是在隐藏层节点中使用的,用于在数据通过神经网络时,更改神经网络对数据的解释。神经网络中还包含其他变量,但是现在暂时不用考虑这些。

全连接层被以下 Python 代码段所定义,详见代码段 2。

W = tf.Variable(tf.truncated_normal([size_in, size_out], stddev=0.1),name="Weights")B = tf.Variable(tf.constant(0.1, shape=[size_out]),name="Biases")activation = tf.matmul(input, W) + B

这里依然有 TensorFlow 的两个变量:权重 W 和偏移量 B。可注意到,这些变量的初始化非常简单:权重 W 被初始化为随机值,这个初始化是被来自标准差(standard deviation)为 0.1 的被剪枝的高斯分布(使用 size_in 和 size_out 进行剪枝)来完成的;而偏移量 B 则被初始化为常数 0.1。这两个值会随着每次运行而被更改。该代码片段被执行了两次,产生两个全连接层——其中的一个将数据传递给另一个。

这 11 行 Python 代码代表了一个完整的神经网络。我们将使用 Keras 来对每个组件的模型架构进行详细讨论。现在,重点是了解神经网络在每次运行时每个层中的 W 和 B 的值是如何改变的,以及这些代码段如何形成不同的神经层。这 11 行的代码也是几十年神经网络研究成果的积累。

让我们来开始训练这个网络,并且来评估它再 MNIST 手写体数据集中的表现如何。

03、训练神经网络

按照以下步骤来搭建该练习的相关环境:

1.打开两个终端实例(instance)。

2.分别进入到 chapter_4/activity_2[1]目录。

3.在这两个 instance 中,确保您的 Python 3 虚拟环境处于激活状态,并确认已经安装 requirements.txt 中所列举的所有安装包。

4.在其中一个 instance 中,使用如下命令启动 TensorBoard:

$ tensorboard--logdir=mnist_example/

5.在另一个 instance 中,从相应路径下,运行 mnist.py 脚本。

6.打开服务。打开浏览器,在 TensorBoard 提供的 URL(及端口)中,打开页面。

在运行脚本 mnist.py 的终端中,您将看到一个进度条,其中包含了模型在不同时期的训练情况。打开浏览器页面时,您将看到一些图表,点击读取 Accuracy(准确率)的那个,放大它,让页面刷新(或者点击 refresh 按钮刷新)。随着训练次数的增加,您会看到随着迭代次数的增加,这个模型的准确率会越来越高。

PyTorch 深度学习实战 |用 TensorFlow 训练神经网络

这可以解释神经网络在训练过程中能够很早达到高准确度的能力。

我们可以看到,在大约第 200 个 epochs(或迭代步数 steps)时,神经网络的准确率超过了 90%。也就是说,网络可以正确地预测测试集中 90%的手写数字。在训练到第 2000 步的时候,该网络的准确率不断提高,在这一阶段结束时达到了 97%的准确率。

现在让我们来测试一下这个网络在对于从未使用过的数据表现如何。我们使用 Shafeen Tejani 创建的开源网络应用程序来测试一下这个神经网络是否能够正确识别出我们自己写的手写数字。

04、用未见数据测试神经网络的性能

在浏览器中访问http://mnist-demo.herokuapp.com/,然后我们可以在指定的白色方格中画一个 0 到 9 之间的数字(如下图所示)。

▍可以手绘数字并可测试神经网络准确性的 Web 应用程序

▍上述应用程序:https://github.com/ShafeenTejani/mnist-demo .

在该应用程序中,您可以看到两个神经网络的实验结果。我们训练的那个神经网络(称为卷积神经网络 CNN)位于左侧。看看它能否识别您手写的数字?试着在指定区域的边缘画出数字。例如,试着把数字 1 画在那个区域的右边,如下图所示。

▍两个神经网络都很难估计区域边缘的值

▍在本例中,我们看到数字 1 绘制在绘图区域的右侧。这个绘在边缘的数字,两个网络都没识别出来它应该是 1。

MNIST 数据集中不包含写在边缘的数字图像。由于没有包含处于区域边缘的训练数据,因此这两个神经网络都无法正确识别边缘处的数字。如果我们把手写数字写到更靠近指定区域的中心,那么这两个神经网络的识别效果能够得到一定的改善,这说明神经网络的性能依赖于训练数据。如果用于训练的数据与用于测试的数据差异很大,那么神经网络很可能会出现令人失望的结果。

05、实例:探索一个训练好的神经网络

下面将探索刚才在练习中训练的神经网络。我们还会通过改变超参数来训练一些其他的神经网络。那么就让我们从练习中训练的神经网络开始吧。

让我们用 TensorBoard 打开神经网络,来了解神经网络的组成。

打开终端,chapter_4/activity_2 目录下,执行以下指令

$ tensorboard --logdir=mnist_examle/

启动 TensorBoard(如下图所示):

▍启动 TensorBoard 实例后的终端显示

现在,在浏览器中打开 TensorBoard 提供的 URL。您应该能够看到 TensorBoard 标量页面。

通过 TensorBoard 命令提供的 URL,打开对应的页面,可以看到如下图所示的 TensorBoard 界面:

▍TensorBoard 登录页面

现在让我们来深入了解这个已经训练好的神经网络,看看它是如何工作的。

在 TensorBoard 页面上,点击 Scalars 页,将 Accuracy 图放大。然后把 Smoothing 进度条移动到 0.9。

准确率图(accuracy graph)衡量了神经网络对测试集标签的预测准确率。起初,神经网络对于数据的预测几乎全部错误。这是因为我们只是用随机值初始化了神经网络的权值和偏差,所以其预测尝试只是大致的猜测。然后,神经网络在第二次运行时,会更新其神经层的权重(weights)和偏差(biases);神经网络将继续通过改变其权重和偏差来使每个节点能更好地预测数据,而对于那些对预测造成损失的节点,则会通过惩罚项[1]逐渐减少其对神经网络的影响(最终达到 0)。通过这种方式来一步一步地降低损失,提升神经网络的准确率。正如您所看到的,这是一种非常有效的技术,可以迅速产生非常好的预测结果。

现在,让我们把注意力集中在准确率(Accuracy)的图上,来看看这个算法是如何在 1000 步(epoches)之后达到很高的准确率(>95%)的。在 1000 步到 2000 步之间,又会发生什么呢?

如果我们继续用更多的训练步数(epochs)来训练,神经网络的预测会变得更精确吗?当训练步数在 1000 到 2000 之间时,神经网络的准确率会继续提高,但提高的幅度在下降。如果用更多的训练步数(epochs)进行训练,神经网络的精准度可能还会略有改善,但在目前的网络架构下,它不会达到 100%的准确率。

该脚本是谷歌官方脚本的修改版本,它是为了展示 TensorFlow 的工作方式。我们将脚本划分为易于理解的函数,并添加了许多注释来帮助您的学习。您可以通过修改以下变量来运行该脚本:

LEARNING_RATE=0.0001EPOCHS=2000

现在,您可以通过修改这些变量的值来运行该脚本。例如,尝试将学习率(learning rate)修改为 0.1,将步数(epochs)修改为 100。您觉得神经网络的效果如何?

▍在神经网络中还有许多其他参数可以修改。现在,尝试修改网络的训练次数(epochs)和学习速度(learning rate)。您将会注意到,这两种改动都能极大地影响神经网络的输出。通过改变这两个参数,观察是否可以用当前的体系结构来更快地训练这个神经网络。

可使用 TensorBoard 来(可视化)验证一下训练的神经网络。可将初始值乘以 10,将这些参数再修改几次,直到注意到神经网络性能有提升时为止。这种对神经网络进行调优并找到提升精度的过程,与当今工业应用中用于改进现有神经网络模型的过程是类似的。

本文链接地址:https://www.jiuchutong.com/zhishi/295175.html 转载请保留说明!

上一篇:Vue 3 安装及环境配置(vue3.0安装)

下一篇:python基于融合SPD-Conv改进yolov5与原生yolov5模型实践路面裂痕裂缝检测(python结合)

  • 黑胶vip自动续费怎么关闭(取消黑胶vip自动续费)

    黑胶vip自动续费怎么关闭(取消黑胶vip自动续费)

  • 高德打车怎么投诉(高德网约车平台)

    高德打车怎么投诉(高德网约车平台)

  • 荣耀30pro取消锁屏壁纸的步骤是什么(荣耀30手机锁)

    荣耀30pro取消锁屏壁纸的步骤是什么(荣耀30手机锁)

  • 苹果11怎么打开电池容量百分比(苹果11怎么打开5g网络)

    苹果11怎么打开电池容量百分比(苹果11怎么打开5g网络)

  • 微信翻译功能在哪里设置(微信翻译功能在哪里中译韩)

    微信翻译功能在哪里设置(微信翻译功能在哪里中译韩)

  • 华为mate10如何下载应用(华为mate10rom下载专区)

    华为mate10如何下载应用(华为mate10rom下载专区)

  • 小米儿童手表怎么插电话卡(小米儿童手表怎么设置闹钟)

    小米儿童手表怎么插电话卡(小米儿童手表怎么设置闹钟)

  • 发送错误报告怎么处理(发送报告错误怎么回事?)

    发送错误报告怎么处理(发送报告错误怎么回事?)

  • 小米手环pai什么意思(小米手环哪种型号好)

    小米手环pai什么意思(小米手环哪种型号好)

  • 光信号亮红灯是怎么回事(光信号亮红灯是欠费了吗)

    光信号亮红灯是怎么回事(光信号亮红灯是欠费了吗)

  • iphonexsmax充电慢怎么办(iphonexsmax充电慢用电快)

    iphonexsmax充电慢怎么办(iphonexsmax充电慢用电快)

  • 知道群号怎么加入qq群(知道群号怎么加入群聊)

    知道群号怎么加入qq群(知道群号怎么加入群聊)

  • 手机充电口插不进去怎么办(手机充电口插不到底)

    手机充电口插不进去怎么办(手机充电口插不到底)

  • 打字怎么跳到下一行(打字怎么跳到下一个字)

    打字怎么跳到下一行(打字怎么跳到下一个字)

  • qq好友被对方删除 自己怎么知道(qq好友被对方删除 自己怎么恢复)

    qq好友被对方删除 自己怎么知道(qq好友被对方删除 自己怎么恢复)

  • 微信摇一摇被限制多久能解封(微信摇一摇被限制的表现)

    微信摇一摇被限制多久能解封(微信摇一摇被限制的表现)

  • iphone怎样设置字体(iphone怎样设置字体样式)

    iphone怎样设置字体(iphone怎样设置字体样式)

  • ios11分屏怎么用(ios11分屏功能怎么用)

    ios11分屏怎么用(ios11分屏功能怎么用)

  • iphone11能不能双卡双待(苹果11支不支持双开)

    iphone11能不能双卡双待(苹果11支不支持双开)

  • 米键消除耳机模式步骤(怎么取消耳机按键功能)

    米键消除耳机模式步骤(怎么取消耳机按键功能)

  • 删除的视频怎么恢复(删除的视频怎么找回来)

    删除的视频怎么恢复(删除的视频怎么找回来)

  • 微信绑别人手机号怎么解冻(微信绑别人手机卡行吗)

    微信绑别人手机号怎么解冻(微信绑别人手机卡行吗)

  • hd电话标志怎么关闭(电话怎么显示hd)

    hd电话标志怎么关闭(电话怎么显示hd)

  • 虎扑怎么删自己的帖子(虎扑怎么删除消息)

    虎扑怎么删自己的帖子(虎扑怎么删除消息)

  • 电脑无反应怎么办(电脑无反应怎么办不能关机)

    电脑无反应怎么办(电脑无反应怎么办不能关机)

  • 如何理解递延所得税费用的计算公式
  • 折旧费属于什么科目
  • 发票认证了申报系统没有数据
  • 邮局可以开发票吗 税点多少
  • 企业所得税返还计入什么科目
  • 母子公司借款要交什么税
  • 替票怎么控制数量
  • 什么叫复式记账凭证
  • 国债和国债期货的交割价是净价还是全价?( )
  • 开出转账支票用什么凭证
  • 公休假补贴多少钱
  • 发票丢失联次
  • 对方公司破产债务怎么办
  • 固定资产出售时增值税怎么处理
  • 购物卡发票能否抵扣
  • 2018增值税暂行条例
  • 车间工人工资计入
  • 销售回款率的具体指标
  • 在建工程转固定资产后如何计提折旧
  • award bios设置详解
  • 电脑的c盘变红怎么回事
  • php版本升级
  • 如何在Windows11上下载和安装 Minecraft
  • 有留抵税额怎么做分录
  • 对公账户转私人账户有限额吗
  • linux操作系统文件系统
  • php变量底层实现
  • 商业企业收取的服务费
  • 税收优惠方式有几种
  • 地方各项基金费(工会经费)可以不申报吗
  • java上传文件 multipartfile
  • 前端基础
  • 汽油增值税专用发票几个点
  • 特种设备年检费怎么开具发票
  • 将织梦dedecms转换到wordpress
  • 公司pos机使用规范
  • 开始送加盟费
  • 现金流量表的本期数是本月数还是本年数
  • 累计净值包含业绩吗
  • sql server添加语句
  • Debian中PostgreSQL数据库安装配置实例
  • mysql密码忘了
  • 资产负债表应收账款期末余额公式
  • 小规模城建税减半征收2020新政策
  • 无形资产的成本包括增值税吗
  • 文化事业建设税是含税还是不含税
  • 营业外收支计算公式
  • 企业注销资本公示时间
  • 检查记账凭证的内容包括
  • 已提足折旧固定资产
  • 预付账款摊销会计分录
  • 收到技术服务费计入什么科目
  • 工业企业应付会计工作内容
  • win8系统开机界面
  • windows8自动更新卡住了怎么办
  • windows9预览版下载
  • ubuntu的软件
  • 苹果mac 最新系统
  • win7关机快捷键设置
  • mmc.exe是什么进程
  • windows8怎么设置锁屏密码
  • linux命令行在哪
  • linux vmware卸载
  • 龙芯芯片组
  • js如何使用
  • Android游戏开发打砖块
  • css中文手册
  • inline-block
  • 数据库的列名是什么
  • nodejs 异步任务队列
  • python如何读取字符串的一个一个字符
  • 安卓手机都这样
  • jquery ztree实现树的搜索功能
  • window.showModalDialog谷歌不兼容
  • Android之Service
  • 税务局打印申报表
  • 土地规划资质业务范围
  • 地税网上申报密码
  • 高新区地税办税服务厅
  • 山东省国税局电话客服热线
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设