TensorFlow實現神經網路入門篇

如果你一直關注數據科學/機器學習，你就不能錯過深度學習和神經網路的熱潮。互聯網公司正在尋找這方面的人，而且從競賽到開源項目，都有巨額獎金。

如果你對深度學習所提供的前景感到興奮，但是還沒有開始，在這裡或許是你開始的第一步。

在這篇文章中，我將介紹TensorFlow。閱讀本文後，你將能夠理解神經網路的應用，並使用TensorFlow解決現實生活中的問題，本文中的代碼是用Python編寫的，Python最近的火爆也和深度學習有關。

1：何時使用神經網路？

有關神經網路和深度學習的更詳細的解釋， 請看這裡。其「更深」版本正在圖像識別，語音和自然語言處理等諸多領域取得巨大突破。

現在的主要問題是何時使用神經網路？關於這點，你必須記住一些事情：

1.1：神經網路需要大量的信息數據來訓練。將神經網路想像成一個孩子。它首先觀察父母如何走路。然後它才會獨立行走，並且每走一步，孩子都會學習如何執行特定的任務。如果你不讓它走，它可能永遠不會學習如何走路。你可以提供給孩子的「數據」越多，效果就越好。

1.2：當你有適當類型的神經網路來解決問題時。 每個問題都有自己的難點。數據決定了你解決問題的方式。例如，如果問題是序列生成，遞歸神經網路更適合，而如果它是一個圖像相關的問題，你可能會採取卷積神經網路。

1.3：硬體要求對於運行深度神經網路模型是至關重要的。神經網路很早以前就被「發現」了，但是近年來，神經網路一直在發光，這是因為計算能力的強大。如果你想用這些網路解決現實生活中的問題，準備購買一些高性能硬體吧！

2：如何解決神經網路問題？

神經網路是一種特殊類型的機器學習（ML）演算法。因此，與每個ML演算法一樣，它遵循數據預處理，模型構建和模型評估等常規ML工作流程。我列出了一個如何處理神經網路問題的待辦事項清單。

1．檢查神經網路是否可以提升傳統演算法。

2．做一個調查，哪個神經網路架構最適合即將解決的問題。

3．通過你選擇的語言/庫來定義神經網路架構。

4．將數據轉換為正確的格式，並將其分成批。

5．根據你的需要預處理數據。

6．增加數據以增加規模並製作更好的訓練模型。

7．將數據批次送入神經網路。

8．訓練和監測訓練集和驗證數據集的變化。

9．測試你的模型，並保存以備將來使用。

本文中，我將重點關注圖像數據。讓我們先了解一下，然後再研究TensorFlow。

圖像大多排列為3D陣列，尺寸指的是高度，寬度和顏色通道。例如，如果你現在截取了你的電腦的屏幕截圖，則會首先將其轉換為3D數組，然後將其壓縮為PNG或JPG文件格式。

雖然這些圖像對於人來說是相當容易理解的，但計算機很難理解它們。這種現象被稱為語義鴻溝。我們的大腦可以查看圖像，並在幾秒鐘內了解完整的圖片。另一方面，計算機將圖像視為一組數字。

在早期，人們試圖把圖像分解成像「模板」這樣的「可理解的」格式。例如，一張臉總是有一個特定的結構，這個結構在每個人身上都有所保留，比如眼睛的位置和鼻子，或我們的臉的形狀。但是這種方法並不可行，因為當要識別的對象的數量增加時，「模板」就不會成立。

2012年，深度神經網路架構贏得了ImageNet的挑戰，這是一個從自然場景中識別物體的重大挑戰。

那麼人們通常使用哪種庫/語言來解決圖像識別問題？一個最近的一項調查發現，最流行的深度學習庫是Python提供的API，其次是Lua中，Java和Matlab的。最流行的庫是：

Caffe

DeepLearning4j

TensorFlow

Theano

Torch

讓我們來看看TensorFlow所提供的功能。 什麼是TensorFlow？

「TensorFlow是一個使用數據流圖進行數值計算的開源軟體庫。圖中的節點表示數學運算，而圖邊表示在它們之間傳遞的多維數據陣列（又稱張量）。靈活的體系結構允許你使用單個API將計算部署到桌面、伺服器或移動設備中的一個或多個CPU或GPU。「

如果你之前曾經使用過numpy，那麼了解TensorFlow將會是小菜一碟！numpy和TensorFlow之間的一個主要區別是TensorFlow遵循一個「懶惰」的編程範例。它首先建立所有要完成的操作圖形，然後當一個「會話」被調用時，它再「運行」圖形。構建一個計算圖可以被認為是TensorFlow的主要成分。要了解更多關於計算圖的數學構成，請閱讀這篇文章。

TensorFlow不僅僅是一個強大的神經網路庫。它可以讓你在其上構建其他機器學習演算法，如決策樹或k最近鄰。

使用TensorFlow的優點是：

1.它有一個直觀的結構，因為顧名思義，它有一個「張量流」。 你可以很容易地看到圖的每一個部分。

2.輕鬆地在CPU / GPU上進行分散式計算。

3.平台靈活性。你可以在任何地方運行模型，無論是在移動設備，伺服器還是PC上。

3.典型的「張量流」

每個庫都有自己的「實施細節」，即按照其編碼模式編寫的一種方法。例如，在執行scikit-learn時，首先創建所需演算法的對象，然後在訓練集上構建一個模型，並對測試集進行預測。例如：

正如我剛才所說，TensorFlow遵循一個「懶惰」的方法。

在TensorFlow中運行程序的通常工作流程如下所示：

1．建立一個計算圖。這可以是TensorFlow支持的任何數學操作。

2．初始化變數。

3．創建會話。

4．在會話中運行圖形。

5．關閉會話。

接下來，讓我們寫一個小程序來添加兩個數字！

4.在TensorFlow中實現神經網路

注意：我們可以使用不同的神經網路體系結構來解決這個問題，但是為了簡單起見，我們需要實現前饋多層感知器。

神經網路的常見的實現如下：

1.定義要編譯的神經網路體系結構。

2.將數據傳輸到你的模型。

3.將數據首先分成批次，然後進行預處理。

4.然後將其加入神經網路進行訓練。

5.顯示特定的時間步數的準確度。

6.訓練結束後保存模型以供將來使用。

7.在新數據上測試模型並檢查其執行情況。

我們的問題是識別來自給定的28x28圖像的數字。我們有一部分圖像用於訓練，剩下的則用於測試我們的模型。所以首先下載數據集，數據集包含數據集中所有圖像的壓縮文件：train.csv和test.csv。數據集中不提供任何附加功能，只是以「.png」格式的原始圖像。

我們將使用TensorFlow來建立一個神經網路模型。所以你應該先在你的系統中安裝TensorFlow。 根據你的系統規格，請參閱官方安裝指南進行安裝。

我們將按照上述模板進行操作。用Python 2.7內核創建一個Jupyter筆記本，並按照下面的步驟。

導入所有必需的模塊：

設置初始值，以便我們可以控制模型的隨機性：

第一步是設置保管目錄路徑：

讓我們看看數據集。這些格式為CSV格式，並且具有相應標籤的文件名：

讓我們看看我們的數據是什麼樣的！

上面的圖像表示為numpy數組，如下所示：

為了更簡單的數據處理，讓我們將所有的圖像存儲為numpy數組：

由於這是一個典型的ML問題，為了測試我們模型的正確功能，我們創建了一個驗證集。

現在，我們定義一些輔助函數，我們稍後使用它：

我們來定義我們的神經網路架構。我們定義了一個三層神經網路：輸入，隱藏和輸出。輸入和輸出中神經元的數量是固定的，因為輸入的是28x28圖像，輸出的是10x1向量。我們隱藏層中有500個神經元。這個數字可以根據你的需要而有所不同。閱讀文章以獲得完整的代碼，並深入了解它的工作原理。

本文由阿里云云棲社區組織翻譯。

文章原標題《An Introduction to Implementing Neural Networks Using TensorFlow》

作者：Faizan Shaikh 數據科學家 印度人 譯者：虎說八道

文章為簡譯，更為詳細的內容，請查看原文

更多技術乾貨敬請關注云棲社區知乎機構號：阿里云云棲社區 - 知乎