Tensorflow實現深層學習完備流程

地址：代碼演示LV3

前兩節所描述的代碼演示LV1和代碼演示LV2是都是為了分析方便而選擇的淺層任務，深層學習對其並不具備什麼優勢，其他機器學習演算法恐怕要比深層學習做的更好。

真正可以發揮深層學習的是具有特定結構的任務。

這一節有兩個目的：

• 換一個高度非線性和複雜的任務來再次體會一下深層學習的功能
• 熟悉深層學習訓練的完整流程。

代碼演示LV3用於構建網路的代碼和代碼演示LV2的幾乎相同，但參數等有所改變。全部代碼在github上。所用到的數據輸入輸出數據分別是 X.npy 和 Y.npy。

任務描述：

• 目標：用聲音來預測口腔移動。
• 維度：兩者都是實數域，輸入是39維，輸出是24維：input∈R39；label∈R24
• 任務類型：因為預測的數值全部都是連續的實數，所以是回歸（regression）任務。
• 樣本數：39473
• 輸出層激活函數：linear（無）

• 損失函數：預測數值和真實數值的差異可用均方差（mean square error：MSE）來表示。

• 初始預覽：下面是未訓練前真實值與預測值在四個不同維度的對比圖。目的就是要給網路很多組（輸入，輸出）數據來更新網路權重，使網路輸出儘可能符合真實值的預測。完美情況就是藍線（真實值）和綠線（預測值）重合。下圖中，橫軸是時間，縱軸是數值。

預測值隨訓練的變化（動態圖）手機請查看原圖：

網路結構圖：

訓練/驗證集loss圖：

推薦閱讀：