神经元函数优化,学习笔记TF048

系统架构。
自底向上,设备层、网络层、数据操作层、图总括层、API层、应用层。宗旨层,设备层、网络层、数据操作层、图总结层。最下层是互连网通讯层和装置管理层。
网络通讯层包括gRPC(google Remote Procedure Call
Protocol)和长距离直接数据存取(Remote Direct Memory
Access,景逸SUVDMA),分布式总结需求。设备管理层包手包涵TensorFlow分别在CPU、GPU、FPGA等装备上的贯彻。对上层提供联合接口,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。
数量操作层包蕴卷积函数、激活函数等操作。
图总计层包涵地方总结图和分布式总结图完毕(图创立、编写翻译、优化、执行)。

系统框架结构。
自底向上,设备层、网络层、数据操作层、图总括层、API层、应用层。主旨层,设备层、网络层、数据操作层、图总结层。最下层是互联网通讯层和设备管理层。
互联网通讯层包罗gPRADOPC(google Remote Procedure Call
Protocol)和长距离直接数据存取(Remote Direct Memory
Access,景逸SUVDMA),分布式总括供给。设备管理层包手包含TensorFlow分别在CPU、GPU、FPGA等配备上的贯彻。对上层提供联合接口,上层只需处理卷积等逻辑,不必要关注硬件上卷积达成进度。
数量操作层包蕴卷积函数、激活函数等操作。
图总结层包涵地点计算图和分布式计算图完成(图成立、编译、优化、执行)。

应用层:练习相关类库、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
图总结层:分布式计算图、本地总计图
多少操作层:Const、Var、Matmul、Conv2D、Relu、Queue
网络层:gPRC、RDMA
设备层:CPU、GPU

应用层:练习相关类库、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
图总计层:分布式总括图、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、图运营完全分离。符号主义。命令式编制程序(imperative style
programming),遵照编写逻辑顺序执行,易于精晓调节和测试。符号式编制程序(symbolic
style
programming),嵌入、优化,不易掌握调节和测试,运转速度快。Torch命令式,Caffe、MXNet混合,TensorFlow完全符号式。符号式总计,先定义各个变量,建立数量流图,规定变量总计关系,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运算在数码流图中,图运营只产生在对话(session)中。开启对话,数据填充节点,运算。关闭对话,不或许估测计算。会话提供操作运行和Tensor求值环境。

设计意见。
图定义、图运营完全分开。符号主义。命令式编制程序(imperative style
programming),遵照编写逻辑顺序执行,易于驾驭调节和测试。符号式编制程序(symbolic
style
programming),嵌入、优化,不易精通调试,运转速度快。Torch命令式,Caffe、MXNet混合,TensorFlow完全符号式。符号式计算,先定义各样变量,建立数量流图,规定变量计算关系,编写翻译数据流图,那时还只是空壳,唯有把数量输入,模型才能形成数据流,才有输出值。
TensorFlow运算在数据流图中,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,无法估测计算。会话提供操作运转和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)#进行矩阵乘法,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(网络布局图)。TensorFlow运维规律,图中含有输入(input)、塑形(reshape)、Relu层(Relu
layer)、Logit层(Logit layer)、Softmax、交叉熵(cross
entropy)、梯度(gradient)、SGD练习(SGD Trainer),不难回归模型。
计量进程,从输入发轫,经过塑形,一层一层前向传播运算。Relu层(隐藏层)有五个参数,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),学习七个参数Wsm、bsm。用Softmax计算输出结果各种品种可能率分布。用交叉熵度量源样本可能率分布和出口结果几率分布之间相似性。总计梯度,需求参数Wh一 、bh壹 、Wsm、bsm、交叉熵结果。SGD锻练,反向传播,从上往下总括每层参数,依次更新。计算更新顺序,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两部分构成。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

编制程序模型。
TensorFlow用数据流图做总括。创制数量流图(互联网布局图)。TensorFlow运营原理,图中涵盖输入(input)、塑形(reshape)、Relu层(Relu
layer)、Logit层(Logit layer)、Softmax、交叉熵(cross
entropy)、梯度(gradient)、SGD演练(SGD Trainer),不难回归模型。
计量进程,从输入开首,经过塑形,一层一层前向传来运算。Relu层(隐藏层)有七个参数,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),学习五个参数Wsm、bsm。用Softmax总计输出结果种种档次可能率分布。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。计算梯度,必要参数Wh一 、bh1、Wsm、bsm、交叉熵结果。SGD磨炼,反向传播,从上往下计算每层参数,依次更新。计算更新顺序,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两有些构成。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。数据依赖、控制信赖。实线边表示数据注重,代表数量,张量(任意维度的数目)。机器学习算法,张量在数码流图在此从前现在流动,前向传来(forword
propagation)。残差(实际观看值与磨练估量值的差),从后向前流动,反向传播(backword
propagation)。虚线边表示控制重视(control
dependency),控制操作运维,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初叶进行前形成实施。
TensorFlow张量数据属性:
数据类型 Python类型 描述
DT_FLOAT tf.float32 三拾3个人浮点型
DT_DOUBLE tf.float64 陆拾肆人浮点型
DT_INT64 tf.int64 陆十一位有记号整型
DT_INT32 tf.int32 三十三人有标志整型
DT_INT16 tf.int16 拾伍位有号子整型
DT_INT8 tf.int8 八位有号子整型
DT_UINT8 tf.uint8 6个人无符号整型
DT_ST奇骏ING 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 七个3二人浮点数组成复数,实部、虚部
DT_QINT32 tf.qint32
量化操作33位有记号整型,信号接二连三取值或大气也许离散取值,近似为有限多少个或较少离散值
DT_QINT8 tf.qint8 量化操作陆人有标志整型
DT_QUINT8 tf.quint8 量化操作陆人无符号整型
图和张量达成源代码:tensorflow-1.1.0/tensorflow/python/framework/ops.py

边。数据正视、控制注重。实线边表示数据依赖,代表数量,张量(任意维度的数额)。机器学习算法,张量在数额流图在此在此之前今后流动,前向传播(forword
propagation)。残差(实际观看值与教练推断值的差),从后向前流动,反向传播(backword
propagation)。虚线边表示控制注重(control
dependency),控制操作运行,确定保证happens-before关系,边上没有多少流过,源节点必须在目标节点初叶履行前形成实施。
TensorFlow张量数据属性:
数据类型 Python类型 描述
DT_FLOAT tf.float32 30人浮点型
DT_DOUBLE tf.float64 陆十几人浮点型
DT_INT64 tf.int64 61位有记号整型
DT_INT32 tf.int32 叁拾4人有标志整型
DT_INT16 tf.int16 拾陆人有标志整型
DT_INT8 tf.int8 八人有号子整型
DT_UINT8 tf.uint8 七位无符号整型
DT_STLX570ING 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 八个三十位浮点数组成复数,实部、虚部
DT_QINT32 tf.qint32
量化操作三十九位有记号整型,信号再而三取值或大气或许离散取值,近似为简单多少个或较少离散值
DT_QINT8 tf.qint8 量化操作7位有记号整型
DT_QUINT8 tf.quint8 量化操作5人无符号整型
图和张量完成源代码:tensorflow-1.1.0/tensorflow/python/framework/ops.py

节点。算子。代表3个操作(operation,OP)。表示数学生运动算,也得以象征数据输入(feed
in)源点和输出(push out)终点,或然读取、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完结算子(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/下核函数完毕
数组运算操作 Concat、Slice、Split、Constant、Rank、Shape、Shuffle……
tensorflow-1.1.0/tensorflow/python/ops/array_ops.py,每种函数调用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/下核函数达成
矩阵运算操作 MatMul、MatrixInverse、MatrixDeterminant……
有动静操作 Variable、Assign、AssignAdd……
神经互联网构建操作 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。代表一个操作(operation,OP)。表示数学生运动算,也得以象征数据输入(feed
in)起源和输出(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/下核函数达成
数组运算操作 Concat、Slice、Split、Constant、Rank、Shape、Shuffle……
tensorflow-1.1.0/tensorflow/python/ops/array_ops.py,每种函数调用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/下核函数完毕
矩阵运算操作 MatMul、MatrixInverse、MatrixDeterminant……
有状态操作 Variable、Assign、AssignAdd……
神经互联网创设操作 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

图。操作职务描述成有向无环图。创造种种节点。

图。操作职分描述成有向无环图。创制种种节点。

import tensorflow as tf
#创立一个常量运算操作,发生3个1×2矩阵
matrix1 = tf.constant([[3.,3.]])
#成立此外三个常量运算操作,发生一个2×1矩阵
matrix2 = tf.constant([[2.],[2.]])
#创办二个矩阵乘法运算,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。运维图第三步成立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类成立并运维操作。

对话。运转图第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)。重回结果类型依照输入类型而定,取回(fetch)。
对话是图交互桥梁,二个对话能够有八个图,会话能够修改图结构,可现在图流入数据计算。会话八个API:Extend(图添加节点、边)、Run(输入总计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

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

调用Session对象run()方法执行图,传入Tensor,填充(feed)。再次来到结果类型依据输入类型而定,取回(fetch)。
对话是图交互桥梁,多少个对话能够有八个图,会话能够修改图结构,可今后图流入数据测算。会话五个API:Extend(图添加节点、边)、Run(输入总括节点和和填充须要数据,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。图中有一定地点,不流动。tf.Variable()构造函数。起初值形状、类型。

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

#创办三个变量,早先化为标量0
state = tf.Variable(0,name=”counter”)
创造常量张量:

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

state = tf.constant(3.0)
填充机制。营造图用tf.placeholder()临时替代任意操作张量,调用Session对象run()方法执行图,用填充数据作参数。调用停止,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

始建常量张量:

水源。操作(operation),抽象操作统称。内核(kernel),运营在一定设备(CPU、GPU)上操作的贯彻。同一操作或然对应多少个基础。自定义操作,新操作和水源注册添加到系统。

state = tf.constant(3.0)

常用API。
图。TensorFlow总结表现为数据流图。tf.Graph类包涵一密密麻麻总计操作对象(tf.Operation)和操作间流动数量张量对象(tf.Tensor)。
操作 描述
tf.Graph.__init__() 创建一个空图
tf.Graph.as_default()
将某图设置为暗中同意图,重返四个上下文物管理理器。不显得添加默许图,系统自动安装全局暗中认可图。模块范围钦点义节点都插足默许图
tf.Graph.device(device_name_or_function)
定义运转图所利用设备,重回上下文物管理理器
tf.Graph.name_scope(name) 为节点创建层次化名称,重返上下方管理器

填充机制。营造图用tf.placeholder()一时半刻替代任意操作张量,调用Session对象run()方法执行图,用填充数据作参数。调用结束,填充数据没有。

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 操作正视
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,不包括操作输出值,提供在tf.Session中总结值方法。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 发生张量操作
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() 重返表示张量形状(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

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

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)
创制FileWriter和事件文件,logdir中开创新事件文件
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,全体输入摘要值

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。同一操作或者对应多个水源。自定义操作,新操作和水源注册添加到系统。

变量作用域。
TensorFlow四个成效域(scope),name_scope(给op_name加前缀),variable_scope(给variable_name、op_name加前缀)。
variable_scope变量成效域机制:
v =
tf.get_variable(name,shape,dtype,initializer)#由此名字创办或再次来到变量
tf.variable_scope(<scope_name>)#给变量钦定命名空间
tf.get_variable_scope().reuse==False(暗许为False,不能够得用),variable_scope成效域只好创制新变量。tf.get_variable_scope().reuse==True,功效域共享变量,with
tf.variable_scope(name,reuse=True),或scope.reuse_variables()。
tf.variable_scope()获取变量功能域。开户变量功效域使用此前先行定义作用域,跳过当前变量成效域,保持预先存在效率域不变。
变量功用域能够暗中认可带领3个伊始化器。子作用域或变量能够继承或重写父效用域起先化器值。
op_name在variable_scope成效域操作,会拉长前缀。
variable_scope首要用在循环神经网络(QX56NN)操作,大批量共享变量。
name_scope。划分变量范围,可视化中象征在计算图2个层级。name_scope影响op_name,不影响用get_variable()创立变量。影响用Variable()创建变量。给操作加名字前缀。

常用API。
图。TensorFlow计算表现为数量流图。tf.Graph类包涵一一日千里计算操作对象(tf.Operation)和操作间流动数量张量对象(tf.Tensor)。
操作 描述
tf.Graph.init() 成立二个空图
tf.Graph.as_default()
将某图设置为暗中认可图,重返二个上下文物管理理器。不出示添加暗中同意图,系统活动安装全局私下认可图。模块范围钦点义节点都到场暗中认可图
tf.Graph.device(device_name_or_function)
定义运营图所运用设备,重临上下文管理器
tf.Graph.name_scope(name) 为节点创立层次化名称,重临上下方管理器

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。练习多少和测试数据满意相同分布。是通过陶冶多少获得模型在测试集得到好功效的基本保证。Covariate
Shift,练习集样本数据和对象集分布不相同,练习模型无法很好泛化(generalization)。源域和目的域条件可能率一样,边缘可能率差异。神经互连网各层输出,经层内操作,各层输出分布与输入信号分布不一样,差别随互联网加深变大,但每层指向样本标记(label)不变。化解,根据磨练样本和对象样本比例考订磨炼样本。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。
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,模型梯度下落。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。化解神经网络收敛速度慢或梯度爆炸(gradient
explode,梯度十分大,链式求导乘积变得非常的大,权重过大,产生指数级爆炸)。

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 操作依赖
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]条件维度
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,不分包操作输出值,提供在tf.Session中计算值方法。操作间创设数据流连接,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 发生张量操作
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 设置计算张量设备

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类在目录创设事件文件,向文件添加摘要、事件,在TensorBoard显示。
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中创设新事件文件
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,全部输入摘要值

激活函数。activation
function,运营时激活神经互联网某有个别神经元,激活消息向后传出下层神经网络。参与非线性因素,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。神经互连网数学基础随处可微,采纳激活函数保证输入输出可微。激活函数不改动输入数据维度,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,适合营输出层,求导简单。软饱和性,输入落入饱和区,f'(x)变得接近0,简单发生梯度消失。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,选取链式求导法则反向求导,越往前梯度越小。最终结出到达一定深度后梯度对模型更新没有别的进献。
tanh函数。软饱和性,输出0为主导,收敛速度比sigmoid快。也无能为力解决梯度消失。
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,提供神经网络稀疏表明能力。部分输入落到硬饱和区,权重不可能立异,神经元谢世。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决定是或不是被压制。如若被压制,神经元就输出0,不然输出被停放原来的1/keep_prob倍。神经元是或不是被抑制,暗中认可相互独立。noise_shape调节,noise_shape[i]==shape(x)[i],x申月素相互独立。shape(x)=[k,l,m,n],x维度顺序批、行、列、通道。noise_shape=[k,1,1,n],批、通道互相独立,行、列数据涉嫌,都为0,或原值。随想中最早做法,磨炼中可能率p放任。预测中,参数按百分比减弱,乘p。框架实现,反向ropout代替dropout,练习中2头dropout,再按比例放大,即乘以1/p,预测中不做任何处理。
激活函数选取。输入数据特征相差明显,用tanh,循环进程不断扩充特征效果显示。特征相差不明朗,用sigmoid。sigmoid、tanh,需求输入规范化,不然激活后值全体跻身平坦区,隐层输出全部趋同,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%-十分之九神经互联网都用ReLU。10-15%用tanh。

变量功用域。
TensorFlow四个功能域(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)#经过名字创办或重回变量
tf.variable_scope(<scope_name>)#给变量钦点命名空间
tf.get_variable_scope().reuse==False(暗中同意为False,无法得用),variable_scope效用域只可以创制新变量。tf.get_variable_scope().reuse==True,效率域共享变量,with
tf.variable_scope(name,reuse=True),或scope.reuse_variables()。
tf.variable_scope()获取变量功能域。开户变量成效域使用从前先行定义功能域,跳过当前变量效用域,保持预先存在功能域不变。
变量功效域能够暗中同意教导二个初阶化器。子功能域或变量能够继承或重写父功用域开首化器值。
op_name在variable_scope功用域操作,会加上前缀。
variable_scope首要用在循环神经网络(HighlanderNN)操作,多量共享变量。
name_scope。划分变量范围,可视化中象征在总结图二个层级。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。

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、输出数据维度不一致。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函数将不一致卷积核独立使用在in_channels各个通道上,再把装有结果汇总。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)总括Atrous卷积,孔卷积,扩张卷积。
tf.nn.conv2d_transpose(value,filter,output_shape,strides,padding=’SAME’,
data_format=’NHWC’,name=None),解卷积互连网(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),总括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)总计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],必须保险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)。
总结机器学习,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意相同分布。是透过磨练多少获得模型在测试集获得好效益的基本保险。Covariate
Shift,磨炼集样本数据和对象集分布分歧等,练习模型不能很好泛化(generalization)。源域和指标域条件可能率一样,边缘可能率分裂。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一样,差距随互连网加深变大,但每层指向样本标记(label)不变。化解,依照练习样本和对象样本比例修正演习样本。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。
艺术。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。化解神经互连网收敛速度慢或梯度爆炸(gradient
explode,梯度一点都非常的大,链式求导乘积变得相当大,权重过大,发生指数级爆炸)。

池化函数。神经互联网,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,每种矩阵窗口中的值通过取最大值或平均值来压缩元素个数。每种池化操作矩阵窗口大小ksize钦赐,根据步长strides移动。
tf.nn.avg_pool(value,ksize,strides,padding,data_format=’NHWC’,name=None)总结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(路虎极光GB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),总结池化区域元素最大值和所在地方。计算地方agrmax,input铺平。如input=[b,y,x,c],索引地点((b*height+y)*width+x)*channels+c。只可以在GPU运营。重返张量元组(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用最后一层输入。输出,loss
[batch_size,num_classes]。如作损失函数,神经网络最终一层不须求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
每一个样本交叉熵。
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 各样样本交叉熵。

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

优化措施。加快练习优化措施,多数基于梯度降低。梯度降低求函数极值。学习最终求损失函数极值。TensorFlow提供恒河沙数优化器(optimizer)。
BGD法。bat gradient
descent,批梯度降低。利用现有参数对练习集每种输入生成3个推断输出yi。跟实际输出yi比较,总结全数误差,求平均未来获得平均误差,以此更新参数。迭代进度,提取磨炼集中具有内容{x1,…,xn},相关输出yi
。总括梯度和误差,更新参数。使用具有演习多少总计,保险没有,不必要稳步减小学习率。每一步都亟需运用全数磨炼多少,速度越来越慢。
SDG法。stochastic gradient
descent,随机梯度下跌。数据集拆分成四个个批次(batch),随机抽取一个批次总计,更新参数,MBGD(minibatch
gradient
descent)。每便迭代总结mini-batch梯度,更新参数。练习多少集极大,还是能较火速度消亡。抽取不可制止梯度误差,必要手动调整学习率(learning
rate)。选用切合学习率相比较不方便。想对常出现特点更新速度快,不常出现特征更新速度慢。SGD更新全部参数用同样学习率。SGD简单收敛到有的最优,或许被困在鞍点。
Momentum法。模拟物艺术学动量概念。更新时在一定水平保留此前更新方向,当前批次再微调此次更新参数,引入新变量v(速度),作为前三次梯度累加。Momentum更新学习率,在跌落初期,前后梯度方向一致时,加速学习,在降低中前期,在有的最小值附近来回震荡时,抑制震荡,加快收敛。
Nesterov Momentum法。Ilya
Sutskever,Nesterov。标准Momentum法,先计算一个梯度,在加速立异梯度方向大跳跃。Nesterov法,先在原本加快梯度方向大跳跃,再在该岗位总括梯度值,用那些梯度值改正最后更新方向。
Adagrad法。自适应为各样参数分配分歧学习率,控制各样维度梯度方向。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,陶冶中期学习率相当的小,需求手动设置1个大局开始学习率。Adadelta法用一阶方法,近似模拟二阶Newton法,化解难点。
安德拉MSprop法。引入一个衰减周全,每二遍合都衰减一定比重。对循环神经互连网(瑞虎NN)效果很好。
艾达m法。自适应矩猜想(adaptive moment
estimation)。Adam法依据损失函数针对种种参数梯度一阶矩估算和二阶矩臆想动态调整每个参数学习率。矩推断,利用样本矩预计完整相应参数。3个自由变量X遵循某种分布,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。
方法相比。Karpathy在MNIST数据集发现规律:不调整参数,Adagrad法比SGD法、Momentum法更平稳、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,运营时激活神经互连网某部分神经元,激活音讯向后传出下层神经互联网。插手非线性因素,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。神经网络数学基础到处可微,选拔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,简单发生梯度消失。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,采取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别的贡献。
tanh函数。软饱和性,输出0为主导,收敛速度比sigmoid快。也不知所措解决梯度消失。
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时保证梯度不衰减,缓解梯度消失,更快收敛,提供神经网络稀疏表达能力。部分输入落到硬饱和区,权重不能立异,神经元与世长辞。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决定是不是被幸免。假如被抑制,神经元就输出0,不然输出被放置原来的1/keep_prob倍。神经元是不是被扼杀,私下认可相互独立。noise_shape调节,noise_shape[i]==shape(x)[i],x兰月素互相独立。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,磨炼中概率p放任。预测中,参数按百分比收缩,乘p。框架实现,反向ropout代替dropout,磨练中1只dropout,再按比例放大,即乘以1/p,预测中不做此外处理。
激活函数采纳。输入数据特征相差鲜明,用tanh,循环进程不断扩张特征效果展现。特征相差不备受瞩目,用sigmoid。sigmoid、tanh,须要输入规范化,不然激活后值全部进来平坦区,隐层输出全体趋同,丧失原有风味表达。relu会好广大,有时能够不做输入规范化。85%-百分之九十神经互连网都用ReLU。10-15%用tanh。

欢迎付费咨询(150元每小时),笔者的微信: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,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、输出数据维度不相同。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函数将不相同卷积核独立行使在in_channels每种通道上,再把具备结果汇总。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。用二维卷积核在各样通道上,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)计算Atrous卷积,孔卷积,扩大卷积。
tf.nn.conv2d_transpose(value,filter,output_shape,strides,padding=’SAME’,
data_format=’NHWC’,name=None),解卷积互联网(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),总括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],必须确定保证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2个矩阵窗口在张量上扫描,各个矩阵窗口中的值通过取最大值或平均值来减弱成分个数。每种池化操作矩阵窗口大小ksize钦点,依据步长strides移动。
tf.nn.avg_pool(value,ksize,strides,padding,data_format=’NHWC’,name=None)总计池化区域元素平均值。value,四维张量,数据维度[batch,height,width,
channels]。ksize,长度十分的大于4整型数组,每位值对应输入数据张量每维窗口对应值。strides,长度非常的大于4整型数组,批定滑动窗口在输入数据张量每一维上的幅度。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(大切诺基GB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),计算池化区域成分最大值和所在地方。总括地方agrmax,input铺平。如input=[b,y,x,c],索引地点((bheight+y)width+x)*channels+c。只可以在GPU运营。重临张量元组(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。

分拣函数。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用最后一层输入。输出,loss
[batch_size,num_classes]。如作损失函数,神经网络最终一层不供给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 每一种样本交叉熵。

优化措施。加速练习优化措施,多数依据梯度下落。梯度降低求函数极值。学习最后求损失函数极值。TensorFlow提供许多优化器(optimizer)。
BGD法。bat gradient
descent,批梯度下跌。利用现有参数对教练集每种输入生成三个测度输出yi。跟实际输出yi相比较,总计全部误差,求平均现在得到平均误差,以此更新参数。迭代进程,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。使用具有磨炼多少测算,有限援助没有,不要求稳步滑坡学习率。每一步都必要运用具有磨练多少,速度更是慢。
SDG法。stochastic gradient
descent,随机梯度下跌。数据集拆分成多少个个批次(batch),随机抽取一个批次计算,更新参数,MBGD(minibatch
gradient
descent)。每便迭代测算mini-batch梯度,更新参数。演练多少集十分大,还是可以较火速度消亡。抽取不可防止梯度误差,须要手动调整学习率(learning
rate)。选用适合学习率相比艰难。想对常并发特点更新速度快,不常出现特征更新速度慢。SGD更新全部参数用相同学习率。SGD简单收敛到有些最优,大概被困在鞍点。
Momentum法。模拟物医学动量概念。更新时在一定水平保留从前更新方向,当前批次再微调本次更新参数,引入新变量v(速度),作为前两次梯度累加。Momentum更新学习率,在跌落初期,前后梯度方向一致时,加快学习,在降低中早先时期,在某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,先总结1个梯度,在马不停蹄立异梯度方向大跳跃。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,用这一个梯度值考订最终更新方向。
Adagrad法。自适应为种种参数分配不相同学习率,控制各类维度梯度方向。完毕学习率自动更改。此次更新梯度大,学习率衰减快,不然慢。
Adadelta法。Adagrad法,学习单调递减,磨练中期学习率相当小,须求手动设置二个大局初始学习率。Adadelta法用一阶方法,近似模拟二阶Newton法,解决难点。
昂CoraMSprop法。引入贰个衰减周详,每1次合都衰减一定比重。对循环神经网络(RAV4NN)效果很好。
Adam法。自适应矩推测(adaptive moment
estimation)。Adam法依据损失函数针对各种参数梯度一阶矩臆想和二阶矩猜测动态调整各类参数学习率。矩估算,利用样本矩揣度完整相应参数。2个随便变量X遵循某种分布,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。
方法相比较。Karpathy在MNIST数据集发现规律:不调整参数,Adagrad法比SGD法、Momentum法更安定、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》

欢迎付费咨询(150元每小时),作者的微信:qingxingfengzi

相关文章

admin

网站地图xml地图