上学笔记TF048,神经元函数优化

系统架构。
自底向上,设备层、互联网层、数据操作层、图总计层、API层、应用层。宗旨层,设备层、网络层、数据操作层、图计算层。最下层是互联网通讯层和装置管理层。
互联网通讯层包含gQX56PC(google Remote Procedure Call
Protocol)和长距离间接数据存取(Remote Direct Memory
Access,宝马X3DMA),分布式计算必要。设备管理层包手包涵TensorFlow分别在CPU、GPU、FPGA等装备上的落实。对上层提供统一接口,上层只需处理卷积等逻辑,不供给关切硬件上卷积实现进度。
数码操作层蕴涵卷积函数、激活函数等操作。
图总计层蕴涵地点总结图和分布式总计图达成(图创立、编写翻译、优化、执行)。

系统架构。
自底向上,设备层、互连网层、数据操作层、图总括层、API层、应用层。大旨层,设备层、互连网层、数据操作层、图计算层。最下层是互连网通讯层和装置管理层。
网络通讯层包涵gCR-VPC(google Remote Procedure Call
Protocol)和远程直接数据存取(Remote Direct Memory
Access,卡宴DMA),分布式计算需求。设备管理层包手包罗TensorFlow分别在CPU、GPU、FPGA等设施上的兑现。对上层提供统一接口,上层只需处理卷积等逻辑,不须要关心硬件上卷积完毕进度。
多少操作层包涵卷积函数、激活函数等操作。
图总结层包蕴当地总计图和分布式总计图完结(图创制、编写翻译、优化、执行)。

应用层:陶冶相关类库、预测相关类库
API层:Python客户端、C++客户端、Java客户端、Go客户端,TensorFlow核心API
图总括层:分布式计算图、本地计算图
多少操作层:Const、Var、Matmul、Conv2D、Relu、Queue
网络层:gPRC、RDMA
设备层:CPU、GPU

应用层:磨练相关类库、预测相关类库
API层:Python客户端、C++客户端、Java客户端、Go客户端,TensorFlow核心API
图计算层:分布式总结图、本地总括图
数码操作层:Const、Var、Matmul、Conv2D、Relu、Queue
网络层:gPRC、RDMA
设备层:CPU、GPU

安插意见。
图定义、图运转完全分离。符号主义。命令式编制程序(imperative style
programming),遵照编写逻辑顺序执行,易于通晓调节和测试。符号式编制程序(symbolic
style
programming),嵌入、优化,不易理解调节和测试,运营速度快。Torch命令式,Caffe、MXNet混合,TensorFlow完全符号式。符号式总结,先定义种种变量,建立数量流图,规定变量总结关系,编写翻译数据流图,那时还只是空壳,唯有把多少输入,模型才能形成数据流,才有输出值。
TensorFlow运算在数量流图中,图运营只发生在对话(session)中。开启对话,数据填充节点,运算。关闭对话,无法测算。会话提供操作运转和Tensor求值环境。

设计理念。
图定义、图运维完全分离。符号主义。命令式编程(imperative style
programming),遵照编写逻辑顺序执行,易于精通调节和测试。符号式编制程序(symbolic
style
programming),嵌入、优化,不易精晓调节和测试,运维速度快。Torch命令式,Caffe、MXNet混合,TensorFlow完全符号式。符号式计算,先定义各类变量,建立数量流图,规定变量总结关系,编写翻译数据流图,那时还只是空壳,唯有把数据输入,模型才能形成数据流,才有输出值。
TensorFlow运算在多少流图中,图运转只产生在对话(session)中。开启对话,数据填充节点,运算。关闭对话,不能测算。会话提供操作运营和Tensor求值环境。

inport tensorflow as tf
#创建图
a = tf.constant([1.0,2.0])
b = tf.constant([3.0,4.0])
c = a * b
#计算c
print sess.run(c)#拓展矩阵乘法,输出[3.,8.]
sess.close()

inport tensorflow as tf
#创建图
a = tf.constant([1.0,2.0])
b = tf.constant([3.0,4.0])
c = a * b
#计算c
print sess.run(c)#进行矩阵乘法,输出[3.,8.]
sess.close()

编制程序模型。
TensorFlow用数据流图做总括。创设数量流图(互联网布局图)。TensorFlow运维原理,图中富含输入(input)、塑形(reshape)、Relu层(Relu
layer)、Logit层(Logit layer)、Softmax、交叉熵(cross
entropy)、梯度(gradient)、SGD陶冶(SGD Trainer),简单回归模型。
总计进度,从输入发轫,经过塑形,一层一层前向传播运算。Relu层(隐藏层)有四个参数,Wh1、bh1,输出前用ReLu(Rectified
Linear
Units)激活函数做非线性处理。进入Logit层(输出层),学习多少个参数Wsm、bsm。用Softmax总括输出结果种种品种可能率分布。用交叉熵衡量源样本可能率分布和出口结果可能率分布之间相似性。总括梯度,须求参数Wh① 、bh壹 、Wsm、bsm、交叉熵结果。SGD磨练,反向传播,从上往下总结每层参数,依次更新。总括更新顺序,bsm、Wsm、bh① 、Wh1。
TensorFlow,张量流动。TensorFlow数据流图由节点(node)、边(edge)组成有向无环图(directed
acycline
graph,DAG)。TensorFlwo由Tensor和Flow两有的构成。Tensor(张量),数据流图的边。Flow(流动),数据流图节点操作。
SGD训练:
Wh1 bh1 Wsm bsm
更新Wh1 更新bh1 更新Wsm 更新bsm
learning)rat=[0.01]
Gradients
交叉熵
classes=[10] 类标记 Softmax
Logit层:
bsm BiasAdd
Wsm MatMul
Relu层:
ReLU
bh1 Bias Add
Wh1 MatMul
塑形shape=[784,1]
输入

编程模型。
TensorFlow用数据流图做总结。创造数量流图(互连网布局图)。TensorFlow运转规律,图中富含输入(input)、塑形(reshape)、Relu层(Relu
layer)、Logit层(Logit layer)、Softmax、交叉熵(cross
entropy)、梯度(gradient)、SGD陶冶(SGD Trainer),简单回归模型。
计量进度,从输入开始,经过塑形,一层一层前向传来运算。Relu层(隐藏层)有三个参数,Wh1、bh1,输出前用ReLu(Rectified
Linear
Units)激活函数做非线性处理。进入Logit层(输出层),学习三个参数Wsm、bsm。用Softmax总计输出结果各种品种可能率分布。用交叉熵衡量源样本可能率分布和出口结果可能率分布之间相似性。总结梯度,供给参数Wh① 、bh① 、Wsm、bsm、交叉熵结果。SGD陶冶,反向传播,从上往下计算每层参数,依次更新。总结更新顺序,bsm、Wsm、bh壹 、Wh1。
TensorFlow,张量流动。TensorFlow数据流图由节点(node)、边(edge)组成有向无环图(directed
acycline
graph,DAG)。TensorFlwo由Tensor和Flow两有的构成。Tensor(张量),数据流图的边。Flow(流动),数据流图节点操作。
SGD训练:
Wh1 bh1 Wsm bsm
更新Wh1 更新bh1 更新Wsm 更新bsm
learning)rat=[0.01]
Gradients
交叉熵
classes=[10] 类标记 Softmax
Logit层:
bsm BiasAdd
Wsm MatMul
Relu层:
ReLU
bh1 Bias Add
Wh1 MatMul
塑形shape=[784,1]
输入

边。数据注重、控制信赖。实线边表示数据正视,代表数量,张量(任意维度的多寡)。机器学习算法,张量在多少流图以前以后流动,前向传播(forword
propagation)。残差(实际观望值与教练估摸值的差),从后向前流动,反向传播(backword
propagation)。虚线边表示控制重视(control
dependency),控制操作运转,确认保证happens-before关系,边上没有多少流过,源节点必须在目标节点开始施行前形成实施。
TensorFlow张量数据属性:
数据类型 Python类型 描述
DT_FLOAT tf.float32 叁12个人浮点型
DT_DOUBLE tf.float64 六14位浮点型
DT_INT64 tf.int64 6二个人有号子整型
DT_INT32 tf.int32 三十几个人有记号整型
DT_INT16 tf.int16 十几人有标志整型
DT_INT8 tf.int8 5个人有标志整型
DT_UINT8 tf.uint8 八人无符号整型
DT_STCR-VING tf.tring 要变长度字节数组,每一张量成分是一字节数组
DT_BOOL tf.bool 布尔型
DT_COMPLEX64 tf.complex64 八个三10人浮点数组成复数,实部、虚部
DT_QINT32 tf.qint32
量化操作叁11位有号子整型,信号延续取值或大气或者离散取值,近似为零星三个或较少离散值
DT_QINT8 tf.qint8 量化操作6位有记号整型
DT_QUINT8 tf.quint8 量化操作6个人无符号整型
图和张量完结源代码:tensorflow-1.1.0/tensorflow/python/framework/ops.py

边。数据信赖、控制依赖。实线边表示数据依赖,代表数量,张量(任意维度的数码)。机器学习算法,张量在数码流图在此此前未来流动,前向传来(forword
propagation)。残差(实际观望值与磨炼估摸值的差),从后向前流动,反向传播(backword
propagation)。虚线边表示控制重视(control
dependency),控制操作运营,确定保障happens-before关系,边上没有数量流过,源节点必须在指标节点开首推行前成功实施。
TensorFlow张量数据属性:
数据类型 Python类型 描述
DT_FLOAT tf.float32 30个人浮点型
DT_DOUBLE tf.float64 63个人浮点型
DT_INT64 tf.int64 陆10个人有记号整型
DT_INT32 tf.int32 三1多少人有标志整型
DT_INT16 tf.int16 十几人有标志整型
DT_INT8 tf.int8 7个人有号子整型
DT_UINT8 tf.uint8 六人无符号整型
DT_STSportageING tf.tring 要变长度字节数组,每一张量成分是一字节数组
DT_BOOL tf.bool 布尔型
DT_COMPLEX64 tf.complex64 多个三十二位浮点数组成复数,实部、虚部
DT_QINT32 tf.qint32
量化操作三十一位有标志整型,信号接二连三取值或大气大概离散取值,近似为零星多少个或较少离散值
DT_QINT8 tf.qint8 量化操作伍人有记号整型
DT_QUINT8 tf.quint8 量化操作8个人无符号整型
图和张量完结源代码:tensorflow-1.1.0/tensorflow/python/framework/ops.py

节点。算子。代表二个操作(operation,OP)。表示数学生运动算,也足以代表数据输入(feed
in)源点和出口(push out)终点,也许读取、写入持久变量(persistent
variable)终点。
操作相关代码位于: tensorflow-1.1.0/tensorflow/python/ops/
TensoFlow达成算子(操作):
类别 示例
数学运算操作 Add、Sub、Mul、Div、Exp、Log、Greater、Less、Equal……
tensorflow-1.1.0/tensorflow/python/ops/math_ops.py,每一种函数调用gen_math_ops.py,位于Python库stite-packages/tensorflow/python/ops/gen_math_ops.py
,又调用tensorflow-1.1.0/tensorflow/core/kernels/下核函数实现
数组运算操作 Concat、Slice、Split、Constant、Rank、Shape、Shuffle……
tensorflow-1.1.0/tensorflow/python/ops/array_ops.py,每一种函数调用gen_array_ops.py,位于Python库stite-packages/tensorflow/python/ops/gen_array_ops.py
,又调用tensorflow-1.1.0/tensorflow/core/kernels/下核函数落成
矩阵运算操作 MatMul、MatrixInverse、MatrixDeterminant……
有景况操作 Variable、Assign、AssignAdd……
神经网络创设操作 Soft马克斯、Sigmoid、ReLU、Convolution2D、马克斯Pool……
检查点操作 Save、Restore
队列和同步操作 Enqueue、Dequeue、MutexAcquire、MutexRelease……
控制张量流动操作 Merge、Switch、Enter、Leave、NextIteration

节点。算子。代表2个操作(operation,OP)。表示数学生运动算,也得以象征数据输入(feed
in)起源和出口(push out)终点,恐怕读取、写入持久变量(persistent
variable)终点。
操作相关代码位于: tensorflow-1.1.0/tensorflow/python/ops/
TensoFlow达成算子(操作):
类别 示例
数学生运动算操作 Add、Sub、Mul、Div、Exp、Log、Greater、Less、Equal……
tensorflow-1.1.0/tensorflow/python/ops/math_ops.py,每一个函数调用gen_math_ops.py,位于Python库stite-packages/tensorflow/python/ops/gen_math_ops.py
,又调用tensorflow-1.1.0/tensorflow/core/kernels/下核函数完结
数组运算操作 Concat、Slice、Split、Constant、Rank、Shape、Shuffle……
tensorflow-1.1.0/tensorflow/python/ops/array_ops.py,每一个函数调用gen_array_ops.py,位于Python库stite-packages/tensorflow/python/ops/gen_array_ops.py
,又调用tensorflow-1.1.0/tensorflow/core/kernels/下核函数达成
矩阵运算操作 MatMul、MatrixInverse、MatrixDeterminant……
有状态操作 Variable、Assign、AssignAdd……
神经互连网营造操作 Soft马克斯、Sigmoid、ReLU、Convolution2D、马克斯Pool……
检查点操作 Save、Restore
队列和同步操作 Enqueue、Dequeue、MutexAcquire、MutexRelease……
操纵张量流动操作 Merge、Switch、Enter、Leave、NextIteration

图。操作职分描述成有向无环图。创立各种节点。

图。操作职责描述成有向无环图。创建种种节点。

import tensorflow as tf
#创设3个常量运算操作,产生二个1×2矩阵
matrix1 = tf.constant([[3.,3.]])
#开创别的3个常量运算操作,发生八个2×1矩阵
matrix2 = tf.constant([[2.],[2.]])
#成立3个矩阵乘法运算,把matrix1和matrix2作为输入
#回去值product代表矩阵乘法结果
product = tf.matmul(matrix2,matrix2)

import tensorflow as tf
#创建一个常量运算操作,产生一个1x2矩阵
matrix1 = tf.constant([[3.,3.]])
#创建另外一个常量运算操作,产生一个2x1矩阵
matrix2 = tf.constant([[2.],[2.]])
#创建一个矩阵乘法运算,把matrix1和matrix2作为输入
#返回值product代表矩阵乘法结果
product = tf.matmul(matrix2,matrix2)

对话。启动图第3步创立叁个Session对象。会话(session)提供图实施操作方法。建立会话,生成一张空图,会话添加节点和边,形成图,执行。tf.Session类创设并运转操作。

对话。运行图第1步创建3个Session对象。会话(session)提供图实施操作方法。建立会话,生成一张空图,会话添加节点和边,形成图,执行。tf.Session类成立并运转操作。

with tf.Session as sess:
result = sess.run([product])
print result
调用Session对象run()方法执行图,传入Tensor,填充(feed)。重临结果类型依据输入类型而定,取回(fetch)。
对话是图交互桥梁,八个会话能够有多少个图,会话能够修改图结构,可今后图流入数据总括。会话多少个API:Extend(图添加节点、边)、Run(输入总括节点和和填充须求数据,运算,输出运算结果)。
会话源代码: tensorflow-1.1.0/tensorflow/python/client/session.py

with tf.Session as sess:
    result = sess.run([product])
    print result

装备(device)。一块用作运算、拥有自身地址空间的硬件。CPU、GPU。TensorFlow能够提定操作在哪个设备进行。with
tf.device(“/gpu:1”): 。

调用Session对象run()方法执行图,传入Tensor,填充(feed)。重回结果类型依据输入类型而定,取回(fetch)。
对话是图交互桥梁,三个会话可以有八个图,会话能够修改图结构,可今后图流入数据总括。会话五个API:Extend(图添加节点、边)、Run(输入总括节点和和填充必要数据,运算,输出运算结果)。
会话源代码: tensorflow-1.1.0/tensorflow/python/client/session.py

变量(variable)。特殊数据。图中有定点地方,不流动。tf.Variable()构造函数。伊始值形状、类型。

设备(device)。一块用作运算、拥有自身地址空间的硬件。CPU、GPU。TensorFlow能够提定操作在哪些设备进行。with
tf.device(“/gpu:1”): 。

#始建二个变量,开头化为标量0
state = tf.Variable(0,name=”counter”)
开创常量张量:

变量(variable)。特殊数据。图中有固定地点,不流动。tf.Variable()构造函数。开始值形状、类型。

state = tf.constant(3.0)
填充机制。创设图用tf.placeholder()暂且替代任意操作张量,调用Session对象run()方法执行图,用填充数据作参数。调用截止,填充数据没有。

#创建一个变量,初始化为标量0
state = tf.Variable(0,name="counter")

input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.mul(input1,input2)
with tf.Session() as sess:
#输出[array([24.],dtype=float32)]
print sess.run([output],feed_dict={input1:[7.],input2:[2.]})
变量源代码: tensorflow-1.1.0/tensorflow/python/ops/variables.py

创制常量张量:

基本。操作(operation),抽象操作统称。内核(kernel),运维在一定设备(CPU、GPU)上操作的达成。同一操作大概对应四个基本。自定义操作,新操作和基础注册添加到系统。

state = tf.constant(3.0)

常用API。
图。TensorFlow计算表现为数量流图。tf.Graph类包罗一层层总计操作对象(tf.Operation)和操作间流动数量张量对象(tf.Tensor)。
操作 描述
tf.Graph.__init__() 创制3个空图
tf.Graph.as_default()
将某图设置为暗许图,重回两个上下文物管理理器。不出示添加暗许图,系统活动安装全局暗许图。模块范围钦点义节点都参预暗许图
tf.Graph.device(device_name_or_function)
定义运转图所采纳设备,重返上下文物管理理器
tf.Graph.name_scope(name) 为节点创制层次化名称,重返上下方管理器

填充机制。营造图用tf.placeholder()目前替代任意操作张量,调用Session对象run()方法执行图,用填充数据作参数。调用截至,填充数据流失。

tf.Operaiotn类代表图中节点,用于总括张量数据。由节点构造器(如tf.matmul()、Graph.create_op())产生。
操作 描述
tf.Operation.name 操作名称
tf.Operation.type 操作类型
tf.Operation.inputs 操作输入
tf.Operation.outputs 操作输出
tf.Operation.control_inputs 操作重视
tf.Operation.run(feed_dict=None,session=None) 在对话中运作操作
tf.Operation.get_attr(name) 获取操作属性值

input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.mul(input1,input2)
with tf.Session() as sess:
    #输出[array([24.],dtype=float32)]
    print sess.run([output],feed_dict={input1:[7.],input2:[2.]})

tf.Tensor类,操作输出符号句柄,不含有操作输出值,提供在tf.Session中计算值方法。操作间构建数据流连接,TensorFlow能免执行大气步多划算图形。
操作 描述
tf.Tensor.dtype 张量数据类型
tf.Tensor.name 张量名称
tf.Tensor.value_index 张量操作输出索引
tf.Tensor.graph 张量所在图
tf.Tensor.op 爆发张量操作
tf.Tensor.consumers() 重回使用张量操作列表
tf.Tensor.eval(feed_dict=None,session=None)
会话中求张量值,使用sess.as_default()、eval(session=sess)
tf.Tensor.get_shape() 再次来到表示张量形状(维度)类TensorShape
tf.Tensor.set_shape(shape) 更新张量形状
tf.Tensor.device 设置计算张量设备

变量源代码: tensorflow-1.1.0/tensorflow/python/ops/variables.py

可视化。
在程序中给节点添加摘要(summary),摘要收集节点数据,标记步数、时间戳标识,写入事件文件(event
file)。tf.summary.FileWriter类在目录成立事件文件,向文件添加摘要、事件,在TensorBoard浮现。
操作 描述
tf.summary.FileWriter.__init__(logdir,graph=None,max_queue=10,
flush_secs=120,graph_def=None)
成立FileWriter和事件文件,logdir中开立异事件文件
tf.summary.FileWriter.add_summary(summary,global_step=None)
摘要添加到事件文件
tf.summary.FileWriter.add_event(event) 事件文件添加事件
tf.summary.FileWriter.add_graph(graph,global_step=None,graph_def=None)
事件文件添加图
tf.summary.FileWriter.get_logdir() 事件文件路径
tf.summary.FileWriter.flush() 全部事件上写入磁盘
tf.summary.FileWriter.close() 事件写入磁盘,关闭文件操作符
tf.summary.scalar(name,tensor,collections=None) 输出单个标量值摘要
tf.summary.histogram(name,values,collections=None) 输出直方图摘要
tf.summary.audio(name,tensor,sample_rate,max_outputs=3,collections=None)
输出音频摘要
tf.summary.image(name,tensor,max_outputs=3,collections=None)
输出图片摘要
tf.summary.merge(inputs,collections=None,name=None)
合并摘要,全数输入摘要值

根本。操作(operation),抽象操作统称。内核(kernel),运转在一定设备(CPU、GPU)上操作的贯彻。同一操作恐怕对应多少个水源。自定义操作,新操作和根本注册添加到系统。

变量作用域。
TensorFlow八个作用域(scope),name_scope(给op_name加前缀),variable_scope(给variable_name、op_name加前缀)。
variable_scope变量效率域机制:
v =
tf.get_variable(name,shape,dtype,initializer)#通过名字创办或再次回到变量
tf.variable_scope(<scope_name>)#给变量钦点命名空间
tf.get_variable_scope().reuse==False(暗许为False,不能够得用),variable_scope成效域只好成立新变量。tf.get_variable_scope().reuse==True,功用域共享变量,with
tf.variable_scope(name,reuse=True),或scope.reuse_variables()。
tf.variable_scope()获取变量作用域。开户变量作用域使用以前先行定义功用域,跳过当前变量成效域,保持预先存在成效域不变。
变量功效域可以默许带领1个开端化器。子作用域或变量可以一连或重写父效用域先河化器值。
op_name在variable_scope效用域操作,会助长前缀。
variable_scope首要用在循环神经互联网(EscortNN)操作,多量共享变量。
name_scope。划分变量范围,可视化中表示在总结图贰个层级。name_scope影响op_name,不影响用get_variable()创设变量。影响用Variable()成立变量。给操作加名字前缀。

常用API。
图。TensorFlow计算表现为数量流图。tf.Graph类包涵一漫山遍野总括操作对象(tf.Operation)和操作间流动数量张量对象(tf.Tensor)。
操作 描述
tf.Graph.init() 创立二个空图
tf.Graph.as_default()
将某图设置为暗中认可图,再次来到3个上下文管理器。不展现添加暗许图,系统自动安装全局私下认可图。模块范围钦点义节点都投入默许图
tf.Graph.device(device_name_or_function)
定义运维图所使用设备,重返上下文物管理理器
tf.Graph.name_scope(name) 为节点创制层次化名称,重回上下方管理器

批标准化。batch normalization,BN。优化梯度弥散难题(vanishing gradient
problem)。
计算机器学习,ICS(Internal Covariate Shift)理论,源域(source
domain)和指标域(target
domain)数据分布一致。陶冶多少和测试数据满足相同分布。是因此演练多少得到模型在测试集获得好效用的基本保险。Covariate
Shift,磨练集样本数据和指标集分布不平等,练习模型不可能很好泛化(generalization)。源域和目的域条件可能率一样,边缘可能率分歧。神经网络各层输出,经层内操作,各层输出分布与输入信号分布分裂,差距随互联网加深变大,但每层指向样本标记(label)不变。化解,依照操练样本和目的准样品本比例校订磨练样本。引入批标准化规范化层输入(数据按百分比缩放,落入小特定区间,数据去平均值,除以标准差),固定每层输入信号均值、方差。
方法。批标准化通过规范化激活函数分布在线性区间,加大梯度,模型梯度降低。加大探索步长,加快收敛速度。更便于跳出局地最小值。破坏原数据分布,缓解过拟合。化解神经互联网收敛速度慢或梯度爆炸(gradient
explode,梯度一点都相当的大,链式求导乘积变得相当大,权重过大,产生指数级爆炸)。

tf.Operaiotn类代表图中节点,用于总计张量数据。由节点构造器(如tf.matmul()、Graph.create_op())产生。
操作 描述
tf.Operation.name 操作名称
tf.Operation.type 操作类型
tf.Operation.inputs 操作输入
tf.Operation.outputs 操作输出
tf.Operation.control_inputs 操作重视
tf.Operation.run(feed_dict=None,session=None) 在对话中运作操作
tf.Operation.get_attr(name) 获取操作属性值

#计算Wx_plus_b均值方差,axes=[0]规范维度
fc_mean,fc_var = tf.nn.moments(Wx_plus_b, axes=[0])
scale = tf.Variable(tf.ones([out_size]))
shift = tf.Variable(tf.zeros([out_size]))
epsilon = 0.001
Wx_plus_b =
tf.nn.batch.normalization(Wx_plus_b,fc_mean,fc_var,shift,scale,epsilon)
#Wx_plus_b = (Wx_plus_b – fc_mean) / tf.sqrt(fc_var + 0.001)
#Wx_plus_b = Wx_plus_b * scale + shift
《Batch Normalization:Accelerating Deep Network Training by Reducing
Internal Covariate Shift》,Serger Ioffe、Christian Szegedy。

tf.Tensor类,操作输出符号句柄,不含有操作输出值,提供在tf.Session中总括值方法。操作间营造数据流连接,TensorFlow能免执行大气步多划算图形。
操作 描述
tf.Tensor.dtype 张量数据类型
tf.Tensor.name 张量名称
tf.Tensor.value_index 张量操作输出索引
tf.Tensor.graph 张量所在图
tf.Tensor.op 爆发张量操作
tf.Tensor.consumers() 重返使用张量操作列表
tf.Tensor.eval(feed_dict=None,session=None)
会话中求张量值,使用sess.as_default()、eval(session=sess)
tf.Tensor.get_shape() 重临表示张量形状(维度)类TensorShape
tf.Tensor.set_shape(shape) 更新张量形状
tf.Tensor.device 设置总括张量设备

神经元函数优化措施。

可视化。
在先后中给节点添加摘要(summary),摘要收集节点数据,标记步数、时间戳标识,写入事件文件(event
file)。tf.summary.FileWriter类在目录创造事件文件,向文件添加摘要、事件,在TensorBoard体现。
操作 描述
tf.summary.FileWriter.init(logdir,graph=None,max_queue=10,
flush_secs=120,graph_def=None)
创造FileWriter和事件文件,logdir中开立异事件文件
tf.summary.FileWriter.add_summary(summary,global_step=None)
摘要添加到事件文件
tf.summary.FileWriter.add_event(event) 事件文件添加事件
tf.summary.FileWriter.add_graph(graph,global_step=None,graph_def=None)
事件文件添加图
tf.summary.FileWriter.get_logdir() 事件文件路径
tf.summary.FileWriter.flush() 全体事件上写入磁盘
tf.summary.FileWriter.close() 事件写入磁盘,关闭文件操作符
tf.summary.scalar(name,tensor,collections=None) 输出单个标量值摘要
tf.summary.histogram(name,values,collections=None) 输出直方图摘要
tf.summary.audio(name,tensor,sample_rate,max_outputs=3,collections=None)
输出音频摘要
tf.summary.image(name,tensor,max_outputs=3,collections=None)
输出图片摘要
tf.summary.merge(inputs,collections=None,name=None)
合并摘要,全数输入摘要值

激活函数。activation
function,运营时激活神经互联网某某个神经元,激活音讯向后传出下层神经网络。参加非线性因素,弥补线性模型表明力,把“激活神经元特征”通过函数保留映射到下层。神经网络数学基础到处可微,选用激活函数保障输入输出可微。激活函数不更改输入数据维度,输入输出维度相同。TensorFlow激活函数定义在tensorflow-1.1.0/tensorflow/python/ops/nn.py。tf.nn.relu()、tf.nn.sigmoid()、tf.nn.tanh()、tf.nn.elu()、tf.nn.bias_add()、tf.nn.crelu()、tf.nn.relu6()、tf.nn.softplus()、tf.nn.softsign()、tf.nn.dropout()。输入张量,输出与输入张量数据类型相同张量。
sigmoid函数。输出映射在(0,1)内,单调三番五次,适同盟输出层,求导简单。软饱和性,输入落入饱和区,f'(x)变得接近0,不难爆发梯度消失。软饱和,激活函数h(x)取值趋于无穷大时,一阶导数趋于0。硬饱和,当|x|>c,c为常数,f'(x)=0。relu左边硬饱和激活函数。梯度消失,更新模型参数,采纳链式求导法则反向求导,越往前梯度越小。最终结果到达一定深度后梯度对模型更新没有其余进献。
tanh函数。软饱和性,输出0为主导,收敛速度比sigmoid快。也不能解决梯度消失。
relu函数。最受欢迎。softplus是ReLU平滑版本。relu,f(x)=max(x,0)。softplus,
f(x)=log(1+exp(x))。relu在x<0时硬饱和。x>0,导数为1,relu在x>0时维持梯度不衰减,缓解梯度消失,更快收敛,提供神经互联网稀疏表明能力。部分输入落到硬饱和区,权重无法创新,神经元离世。TensorFlow
relu6,min(max(features,0))
,tf.nn.relu6(features,name=None)。crelu,tf.nn.crelu(features,name=None)

dropout函数。神经元以可能率keep_prob决定是或不是被遏制。借使被遏制,神经元就输出0,不然输出被放到原来的1/keep_prob倍。神经元是不是被遏制,私下认可相互独立。noise_shape调节,noise_shape[i]==shape(x)[i],x兰月素相互独立。shape(x)=[k,l,m,n],x维度顺序批、行、列、通道。noise_shape=[k,1,1,n],批、通道相互独立,行、列数据涉嫌,都为0,或原值。杂谈中最早做法,训练中概率p废弃。预测中,参数按比例缩短,乘p。框架完毕,反向ropout代替dropout,训练中二只dropout,再按比例放大,即乘以1/p,预测中不做此外处理。
激活函数选取。输入数据特征相差明显,用tanh,循环进度不断扩张特征效果突显。特征相差不明朗,用sigmoid。sigmoid、tanh,须要输入规范化,不然激活后值全体跻身平坦区,隐层输出全体趋同,丧失原有风味表明。relu会好广大,有时能够不做输入规范化。85%-百分之九十神经网络都用ReLU。10-15%用tanh。

变量功能域。
TensorFlow三个功能域(scope),name_scope(给op_name加前缀),variable_scope(给variable_name、op_name加前缀)。
variable_scope变量功能域机制:
v =
tf.get_variable(name,shape,dtype,initializer)#因而名字创办或回到变量
tf.variable_scope(<scope_name>)#给变量钦赐命名空间
tf.get_variable_scope().reuse==False(暗许为False,无法得用),variable_scope功能域只可以创立新变量。tf.get_variable_scope().reuse==True,成效域共享变量,with
tf.variable_scope(name,reuse=True),或scope.reuse_variables()。
tf.variable_scope()获取变量效率域。开户变量效率域使用在此之前先行定义作用域,跳过当前变量功能域,保持预先存在成效域不变。
变量效率域能够默许指点多个开端化器。子作用域或变量能够持续或重写父作用域早先化器值。
op_name在variable_scope功能域操作,会增加前缀。
variable_scope首要用在循环神经互连网(科雷傲NN)操作,大量共享变量。
name_scope。划分变量范围,可视化中代表在总计图一个层级。name_scope影响op_name,不影响用get_variable()创造变量。影响用Variable()创制变量。给操作加名字前缀。

卷积函数。图像扫描二维过滤器。卷积函数定义,tensorflow-1.1.0/tensorflow/python/ops/nn_impl.py、nn_ops.py

tf.nn.convolution(input,filter,padding,strides=None,dilation_rate=None,
name=None,data_format=None) 总括N维卷积和。
tf.conv2d(input,filter,strides,padding,use_cudnn_on_gpu=None,data_format=None,name=None),四维输入数据ipnut和四维卷积核filter操作,输入数据二维卷积操作,得到卷积结果。input,Tensor,数据类型floate32、floate64。filter,Tensor,数据类型floate32、floate64。strides:长度4一维整数类型数组,每一维度对应input每一维移动步数。padding,字符串,SAME
全尺寸操作 输入、输出数据维度相同,VALID 部分窗口
输入、输出数据维度不一样。use_cudnn_on_gpu
,可选布尔值,暗许True。name,可选,操作名字。输出,Tensor,数据类型floate32、floate64。
tf.nn.depthwise_conv2d(input,filter,strides,padding,rate=None,name=None,
data_format=None),输入张量数据维度[batch,in_height,in_width,in_width,in_channels]
,卷积核维度[filter_height,filter_width,in_channel_multiplier],通道in_channels卷积深度1,depthwise_conv2d函数将不一样卷积核独立行使在in_channels每一种通道上,再把富有结果汇总。输出通道总数in_channels*channel_multiplier

tf.nn.separable_conv2d(input,depthwise_filter,pointwise_filter,strides,padding,rate=None,name=None,data_format=None)
用多少个分别卷积核做卷积。用二维卷积核在各类通道上,以深度channel_multiplier卷积。depthwise_filter,
张量,数据四维[filter_height,filter_width,in_channels,channel_multiplier],in_channels卷积深度1。pointwise_filter,张量,数据四维[1,1,channel_multiplier*in_channels,out_channels],pointwise_filter,在depthwise_filter卷积后混合卷积。
tf.nn.atrous_conv2d(value,filters,rate,padding,name=None)总括Atrous卷积,孔卷积,扩充卷积。
tf.nn.conv2d_transpose(value,filter,output_shape,strides,padding=’SAME’,
data_format=’NHWC’,name=None),解卷积网络(deconvolutional
network)中称’反卷积’,实际上是conv2d的转置。output_shape,一维张量,反卷积运算输出形状。
tf.nn.conv1d(value,filters,stride,padding,use_cudnn_on_gpu=None,data_format=None,name=None),总结给定三维输入和过滤器的一维卷积。输入三维[batch,in_width,in_channels],卷积核三维,少filter_height,[filter_width,in_channels,out_channels]
,stride正整数,卷积核向右移动每一步长度。
tf.nn.conv3d(input,filter,strides,padding,name=None)总括给定五维输入和过滤器的三维卷积。input
shape多一维in_depth,形状Shape[batch,in_depth,in_height,in_width,in_channels]
。filter
shape多一维filter_depth,卷积核大小filter_depth,filter_height,filter_width。strides多一维,[strides_batch,
strides_depth,strides_height,strides_sidth,strides_channel],必须保证strides[0]=strides[4]=1。
tf.nn.conv3d_transpose(value,filter,output_shape,strides,padding=’SAME’,
name=None)。

批标准化。batch normalization,BN。优化梯度弥散难题(vanishing gradient
problem)。
总括机器学习,ICS(Internal Covariate Shift)理论,源域(source
domain)和指标域(target
domain)数据分布一致。演练多少和测试数据满足相同分布。是透过磨练多少获得模型在测试集得到好功效的基本保险。Covariate
Shift,练习集样本数据和目的集分布分化,练习模型不可能很好泛化(generalization)。源域和目的域条件概率一样,边缘概率区别。神经互联网各层输出,经层内操作,各层输出分布与输入信号分布不相同,差距随网络加深变大,但每层指向样本标记(label)不变。化解,依照磨练样本和目的准样品本比例更正磨炼样本。引入批标准化规范化层输入(数据按百分比缩放,落入小特定区间,数据去平均值,除以标准差),固定每层输入信号均值、方差。
主意。批标准化通过规范化激活函数分布在线性区间,加大梯度,模型梯度下跌。加大探索步长,加速收敛速度。更便于跳出局地最小值。破坏原数据分布,缓解过拟合。消除神经互连网收敛速度慢或梯度爆炸(gradient
explode,梯度十分大,链式求导乘积变得十分大,权重过大,发生指数级爆炸)。

池化函数。神经网络,池化函数一般跟在卷积函数下一层,定义在tensorflow-1.1.0/tensorflow/python/ops/nn.py、gen_nn_ops.py。
池化操作,用3个矩阵窗口在张量上扫描,各种矩阵窗口中的值通过取最大值或平均值来压缩成分个数。每种池化操作矩阵窗口大小ksize钦点,依照步长strides移动。
tf.nn.avg_pool(value,ksize,strides,padding,data_format=’NHWC’,name=None)总计池化区域成分平均值。value,四维张量,数据维度[batch,height,width,
channels]。ksize,长度不低于4整型数组,每位值对应输入数据张量每维窗口对应值。strides,长度不低于4整型数组,批定滑动窗口在输入数据张量每一维上的宽窄。padding,字符串,SAME或VALID。data_format,’NHWC’,输入张量维度顺序,N个数,H中度,W宽度,C通道数(昂CoraGB三通道或灰度单通道)。name,可选,操作名字。
tf.nn.max_pool(value,ksize,strides,padding,data_format=’NHWC’,
name=None)总计池化区域成分最大值。
tf.nn.max_pool_with_argmax(input,ksize,strides,padding,Targmax=None,
name=None),计算池化区域成分最大值和所在地点。总括地方agrmax,input铺平。如input=[b,y,x,c],索引地点((b*height+y)*width+x)*channels+c。只可以在GPU运营。再次来到张量元组(output,argmax),output池化区域最大值,argmax数据类型Targmax,四维。
tf.nn.avg_pool3d()、tf.nn.max_pool3d() 三维平均池化和最大池化。
tf.nn.fractional_avg_pool()、tf.nn.tractional_max_pool()
tf.nn.pool(input,window_shape,pooling_type,padding,dilation_rate=None,
strides=None,name=None,data_format=None)执行N维池化操作。

#计算Wx_plus_b均值方差,axes=[0]标准化维度
fc_mean,fc_var = tf.nn.moments(Wx_plus_b, axes=[0])
scale = tf.Variable(tf.ones([out_size]))
shift = tf.Variable(tf.zeros([out_size]))
epsilon = 0.001
Wx_plus_b = tf.nn.batch.normalization(Wx_plus_b,fc_mean,fc_var,shift,scale,epsilon) 
#Wx_plus_b = (Wx_plus_b - fc_mean) / tf.sqrt(fc_var + 0.001)
#Wx_plus_b = Wx_plus_b * scale + shift

分类函数。定义在tensorflow-1.1.0/tensorflow/python/ops/nn.py、nn_ops.py。
tf.nn.sigmoid_cross_entropy_with_logits(logits,targets,name=None)。输入,logtis:[batch_size,num_classes],targets:[batch_size,size],logits用末了一层输入。输出,loss
[batch_size,num_classes]。如作损失函数,神经互连网最终一层不要求sigmoid运算。
tf.nn.softmax(logits,dim=-1,name=None)计算Softmax激活,softmax=exp(logits)
/reduce_sum(exp(logits),dim)。
tf.nn.log_softmax(logits,dim=-1,name=None)计算log
softmax激活,logsoftmax=logits-log(reduce_sum(exp(logits),dim))。
tf.nn.softmax_cross_entropy_with_logits(_sentinel=None,labels=None,logits=None,dim=-a,name=None)。输入,logits、lables
[batch_size,num_classes] ,输出,loss [batch_size],保存batch
每一种样本交叉熵。
tf.nn.sparse_softmax_cross_entropy_with_logits(logits,labels,name=None)。logits神经互连网最终一层结果。输入,logits
[batch_size,num_classes],labels
[batch_size],必须在[0,num_classes]。输出,loss
[batch_size],保存batch 每一个样本交叉熵。

《Batch Normalization:Accelerating Deep Network Training by Reducing
Internal Covariate Shift》,Serger Ioffe、Christian Szegedy。

优化措施。加快演练优化措施,多数基于梯度下落。梯度下落求函数极值。学习最后求损失函数极值。TensorFlow提供不计其数优化器(optimizer)。
BGD法。bat gradient
descent,批梯度降低。利用现有参数对教练集每一种输入生成2个预计输出yi。跟实际输出yi相比较,总计全体误差,求平均未来获得平均误差,以此更新参数。迭代经过,提取练习集中具有剧情{x1,…,xn},相关输出yi
。总结梯度和误差,更新参数。使用具有陶冶多少估测计算,保险没有,不要求稳步回落学习率。每一步都急需利用具有演习多少,速度更是慢。
SDG法。stochastic gradient
descent,随机梯度降低。数据集拆分成贰个个批次(batch),随机抽取三个批次总计,更新参数,MBGD(minibatch
gradient
descent)。每回迭代测算mini-batch梯度,更新参数。磨炼多少集非常大,还是能较快捷度流失。抽取不可制止梯度误差,须要手动调整学习率(learning
rate)。采取适合学习率比较劳顿。想对常出现特点更新速度快,不常出现特征更新速度慢。SGD更新全体参数用相同学习率。SGD简单收敛到部分最优,恐怕被困在鞍点。
Momentum法。模拟物工学动量概念。更新时在早晚水准保留在此之前更新方向,当前批次再微调这一次更新参数,引入新变量v(速度),作为前三回梯度累加。Momentum更新学习率,在下落初期,前后梯度方向一致时,加快学习,在减低中前期,在有的最小值附近过往震荡时,抑制震荡,加快收敛。
Nesterov Momentum法。Ilya
Sutskever,Nesterov。标准Momentum法,先计算三个梯度,在增长速度立异梯度方向大跳跃。Nesterov法,先在本来加速梯度方向大跳跃,再在该地方总括梯度值,用那么些梯度值改良最后更新方向。
Adagrad法。自适应为各种参数分配区别学习率,控制每种维度梯度方向。完毕学习率自动更改。这一次更新梯度大,学习率衰减快,不然慢。
Adadelta法。艾达grad法,学习单调递减,操练前期学习率相当小,须求手动设置三个大局伊始学习率。Adadelta法用一阶方法,近似模拟二阶Newton法,消除难题。
哈弗MSprop法。引入二个衰减周详,每3回合都衰减一定比重。对循环神经互连网(奥德赛NN)效果很好。
艾达m法。自适应矩测度(adaptive moment
estimation)。Adam法依照损失函数针对每一个参数梯度一阶矩猜想和二阶矩猜想动态调整每种参数学习率。矩预计,利用样本矩估量完整相应参数。四个自由变量X坚守某种分布,X一阶矩是E(X),样本平均值,X二阶矩E(X2),样本平方平均值。
办法比较。Karpathy在MNIST数据集发现规律:不调整参数,Adagrad法比SGD法、Momentum法更安定、品质更优。精调参数,精调SGD法、Momentum法收敛速度和准确性优于Adagrad法。http://sebastianruder.com/optimizing-gradient-descent/。《An
overview of gradient descent optimization algorithms》。

神经元函数优化措施。

参考资料:
《TensorFlow技术解析与实战》

激活函数。activation
function,运转时激活神经互联网某有些神经元,激活音信向后传出下层神经网络。参加非线性因素,弥补线性模型表达力,把“激活神经元特征”通过函数保留映射到下层。神经网络数学基础随地可微,选择激活函数保障输入输出可微。激活函数不改变输入数据维度,输入输出维度相同。TensorFlow激活函数定义在tensorflow-1.1.0/tensorflow/python/ops/nn.py。tf.nn.relu()、tf.nn.sigmoid()、tf.nn.tanh()、tf.nn.elu()、tf.nn.bias_add()、tf.nn.crelu()、tf.nn.relu6()、tf.nn.softplus()、tf.nn.softsign()、tf.nn.dropout()。输入张量,输出与输入张量数据类型相同张量。
sigmoid函数。输出映射在(0,1)内,单调接二连三,适合营输出层,求导不难。软饱和性,输入落入饱和区,f'(x)变得接近0,简单爆发梯度消失。软饱和,激活函数h(x)取值趋于无穷大时,一阶导数趋于0。硬饱和,当|x|>c,c为常数,f'(x)=0。relu左边硬饱和激活函数。梯度消失,更新模型参数,选拔链式求导法则反向求导,越往前梯度越小。最后结果到达一定深度后梯度对模型更新没有其余进献。
tanh函数。软饱和性,输出0为着力,收敛速度比sigmoid快。也无从缓解梯度消失。
relu函数。最受欢迎。softplus是ReLU平滑版本。relu,f(x)=max(x,0)。softplus,
f(x)=log(1+exp(x))。relu在x<0时硬饱和。x>0,导数为1,relu在x>0时保证梯度不衰减,缓解梯度消失,更快收敛,提供神经互联网稀疏表明能力。部分输入落到硬饱和区,权重无法革新,神经元死亡。TensorFlow
relu6,min(max(features,0))
,tf.nn.relu6(features,name=None)。crelu,tf.nn.crelu(features,name=None)

dropout函数。神经元以概率keep_prob决定是还是不是被幸免。假若被幸免,神经元就输出0,不然输出被放置原来的1/keep_prob倍。神经元是还是不是被扼杀,默许相互独立。noise_shape调节,noise_shape[i]==shape(x)[i],x兰秋素相互独立。shape(x)=[k,l,m,n],x维度顺序批、行、列、通道。noise_shape=[k,1,1,n],批、通道相互独立,行、列数据涉嫌,都为0,或原值。诗歌中最早做法,磨炼中概率p屏弃。预测中,参数按百分比收缩,乘p。框架完成,反向ropout代替dropout,磨炼中二头dropout,再按比例放大,即乘以1/p,预测中不做任何处理。
激活函数选用。输入数据特征相差鲜明,用tanh,循环进程不断扩展特征效果显示。特征相差不醒目,用sigmoid。sigmoid、tanh,须要输入规范化,不然激活后值全体跻身平坦区,隐层输出全体趋同,丧失原有风味表达。relu会好过多,有时能够不做输入规范化。85%-九成神经互联网都用ReLU。10-15%用tanh。

迎接付费咨询(150元每小时),作者的微信:qingxingfengzi

卷积函数。图像扫描二维过滤器。卷积函数定义,tensorflow-1.1.0/tensorflow/python/ops/nn_impl.py、nn_ops.py

tf.nn.convolution(input,filter,padding,strides=None,dilation_rate=None,
name=None,data_format=None) 总结N维卷积和。
tf.conv2d(input,filter,strides,padding,use_cudnn_on_gpu=None,data_format=None,name=None),四维输入数据ipnut和四维卷积核filter操作,输入数据二维卷积操作,获得卷积结果。input,Tensor,数据类型floate32、floate64。filter,Tensor,数据类型floate32、floate64。strides:长度4一维整数类型数组,每一维度对应input每一维移动步数。padding,字符串,SAME
全尺寸操作 输入、输出数据维度相同,VALID 部分窗口
输入、输出数据维度分化。use_cudnn_on_gpu
,可选布尔值,私下认可True。name,可选,操作名字。输出,Tensor,数据类型floate32、floate64。
tf.nn.depthwise_conv2d(input,filter,strides,padding,rate=None,name=None,
data_format=None),输入张量数据维度[batch,in_height,in_width,in_width,in_channels]
,卷积核维度[filter_height,filter_width,in_channel_multiplier],通道in_channels卷积深度1,depthwise_conv2d函数将差别卷积核独立使用在in_channels各个通道上,再把全数结果汇总。输出通道总数in_channelschannel_multiplier

tf.nn.separable_conv2d(input,depthwise_filter,pointwise_filter,strides,padding,rate=None,name=None,data_format=None)
用多少个分别卷积核做卷积。用二维卷积核在种种通道上,以深度channel_multiplier卷积。depthwise_filter,
张量,数据四维[filter_height,filter_width,in_channels,channel_multiplier],in_channels卷积深度1。pointwise_filter,张量,数据四维[1,1,channel_multiplier
in_channels,out_channels],pointwise_filter,在depthwise_filter卷积后混合卷积。
tf.nn.atrous_conv2d(value,filters,rate,padding,name=None)统计Atrous卷积,孔卷积,扩充卷积。
tf.nn.conv2d_transpose(value,filter,output_shape,strides,padding=’SAME’,
data_format=’NHWC’,name=None),解卷积网络(deconvolutional
network)中称’反卷积’,实际上是conv2d的转置。output_shape,一维张量,反卷积运算输出形状。
tf.nn.conv1d(value,filters,stride,padding,use_cudnn_on_gpu=None,data_format=None,name=None),总计给定三维输入和过滤器的一维卷积。输入三维[batch,in_width,in_channels],卷积核三维,少filter_height,[filter_width,in_channels,out_channels]
,stride正整数,卷积核向右移动每一步长度。
tf.nn.conv3d(input,filter,strides,padding,name=None)总结给定五维输入和过滤器的三维卷积。input
shape多一维in_depth,形状Shape[batch,in_depth,in_height,in_width,in_channels]
。filter
shape多一维filter_depth,卷积核大小filter_depth,filter_height,filter_width。strides多一维,[strides_batch,
strides_depth,strides_height,strides_sidth,strides_channel],必须有限援助strides[0]=strides[4]=1。
tf.nn.conv3d_transpose(value,filter,output_shape,strides,padding=’SAME’,
name=None)。

池化函数。神经网络,池化函数一般跟在卷积函数下一层,定义在tensorflow-1.1.0/tensorflow/python/ops/nn.py、gen_nn_ops.py。
池化操作,用一个矩阵窗口在张量上扫描,每一种矩阵窗口中的值通过取最大值或平均值来收缩成分个数。每个池化操作矩阵窗口大小ksize钦点,遵照步长strides移动。
tf.nn.avg_pool(value,ksize,strides,padding,data_format=’NHWC’,name=None)总括池化区域元素平均值。value,四维张量,数据维度[batch,height,width,
channels]。ksize,长度极大于4整型数组,每位值对应输入数据张量每维窗口对应值。strides,长度非常大于4整型数组,批定滑动窗口在输入数据张量每一维上的大幅。padding,字符串,SAME或VALID。data_format,’NHWC’,输入张量维度顺序,N个数,H中度,W宽度,C通道数(KoleosGB三通道或灰度单通道)。name,可选,操作名字。
tf.nn.max_pool(value,ksize,strides,padding,data_format=’NHWC’,
name=None)总括池化区域成分最大值。
tf.nn.max_pool_with_argmax(input,ksize,strides,padding,Targmax=None,
name=None),总括池化区域成分最大值和所在地方。计算地方agrmax,input铺平。如input=[b,y,x,c],索引地点((bheight+y)width+x)*channels+c。只万幸GPU运维。重回张量元组(output,argmax),output池化区域最大值,argmax数据类型Targmax,四维。
tf.nn.avg_pool3d()、tf.nn.max_pool3d() 三维平均池化和最大池化。
tf.nn.fractional_avg_pool()、tf.nn.tractional_max_pool()
tf.nn.pool(input,window_shape,pooling_type,padding,dilation_rate=None,
strides=None,name=None,data_format=None)执行N维池化操作。

分类函数。定义在tensorflow-1.1.0/tensorflow/python/ops/nn.py、nn_ops.py。
tf.nn.sigmoid_cross_entropy_with_logits(logits,targets,name=None)。输入,logtis:[batch_size,num_classes],targets:[batch_size,size],logits用最终一层输入。输出,loss
[batch_size,num_classes]。如作损失函数,神经网络最终一层不要求sigmoid运算。
tf.nn.softmax(logits,dim=-1,name=None)计算Softmax激活,softmax=exp(logits)
/reduce_sum(exp(logits),dim)。
tf.nn.log_softmax(logits,dim=-1,name=None)计算log
softmax激活,logsoftmax=logits-log(reduce_sum(exp(logits),dim))。
tf.nn.softmax_cross_entropy_with_logits(_sentinel=None,labels=None,logits=None,dim=-a,name=None)。输入,logits、lables
[batch_size,num_classes] ,输出,loss [batch_size],保存batch
每一种样本交叉熵。
tf.nn.sparse_softmax_cross_entropy_with_logits(logits,labels,name=None)。logits神经互联网最终一层结果。输入,logits
[batch_size,num_classes],labels
[batch_size],必须在[0,num_classes]。输出,loss
[batch_size],保存batch 每一种样本交叉熵。

优化措施。加快训练优化措施,多数基于梯度下落。梯度下落求函数极值。学习最后求损失函数极值。TensorFlow提供比比皆是优化器(optimizer)。
BGD法。bat gradient
descent,批梯度降低。利用现有参数对教练集每一种输入生成多个估价输出yi。跟实际输出yi比较,总计全部误差,求平均以往得到平均误差,以此更新参数。迭代进度,提取陶冶集中具有情节{x1,…,xn},相关输出yi
。总计梯度和误差,更新参数。使用具有练习多少总计,保险没有,不必要稳步回落学习率。每一步都急需使用全数磨炼多少,速度更是慢。
SDG法。stochastic gradient
descent,随机梯度降低。数据集拆分成贰个个批次(batch),随机抽取1个批次总计,更新参数,MBGD(minibatch
gradient
descent)。每便迭代估测计算mini-batch梯度,更新参数。陶冶多少集相当的大,还是可以较快捷度消亡。抽取不可制止梯度误差,需求手动调整学习率(learning
rate)。采纳切合学习率相比较不方便。想对常并发特点更新速度快,不常出现特征更新速度慢。SGD更新全数参数用同一学习率。SGD不难收敛到有的最优,大概被困在鞍点。
Momentum法。模拟物管理学动量概念。更新时在顺其自然水平保留在此之前更新方向,当前批次再微调本次更新参数,引入新变量v(速度),作为前三回梯度累加。Momentum更新学习率,在回落初期,前后梯度方向一致时,加速学习,在下滑中早先时期,在一些最小值附近过往震荡时,抑制震荡,加速收敛。
Nesterov Momentum法。Ilya
Sutskever,Nesterov。标准Momentum法,先总括二个梯度,在加速创新梯度方向大跳跃。Nesterov法,先在原来加快梯度方向大跳跃,再在该岗位总括梯度值,用那个梯度值更正最后更新方向。
Adagrad法。自适应为顺序参数分配分歧学习率,控制每种维度梯度方向。达成学习率自动更改。本次更新梯度大,学习率衰减快,不然慢。
Adadelta法。Adagrad法,学习单调递减,锻炼前期学习率十分小,须求手动设置八个大局初叶学习率。Adadelta法用一阶方法,近似模拟二阶Newton法,消除难点。
KoleosMSprop法。引入三个衰减全面,每趟合都衰减一定比例。对循环神经网络(凯雷德NN)效果很好。
Adam法。自适应矩测度(adaptive moment
estimation)。Adam法遵照损失函数针对各类参数梯度一阶矩臆想和二阶矩推测动态调整每种参数学习率。矩推断,利用样本矩猜度完整相应参数。2个随机变量X遵守某种分布,X一阶矩是E(X),样本平均值,X二阶矩E(X2),样本平方平均值。
格局相比较。Karpathy在MNIST数据集发现规律:不调整参数,Adagrad法比SGD法、Momentum法更稳定、质量更优。精调参数,精调SGD法、Momentum法收敛速度和准确性优于Adagrad法。http://sebastianruder.com/optimizing-gradient-descent/。《An
overview of gradient descent optimization algorithms》。

参考资料:
《TensorFlow技术解析与实战》

迎接付费咨询(150元每小时),笔者的微信:qingxingfengzi

admin

网站地图xml地图