深度神经网络基础——深度学习神经网络基础 & Tensorflow在深度学习的应用

末蓝、 2023-10-13 20:59 114阅读 0赞

#### 目录 ####

*  一、二、Tesnsflow入门 & 环境配置 & 认识Tensorflow
 *  三、线程与队列与IO操作
 *  神经网络基础知识
 *   *  1.简单神经网络
     *  2.卷积神经网络
     *   *  卷积层
         *  新的激活函数-Relu
         *  池化层(Pooling)计算
 *  案例：Mnist手写数字图片识别卷积网络案例

--------------------

## 一、二、Tesnsflow入门 & 环境配置 & 认识Tensorflow ##

[Tensorflow入门（1）——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow][Tensorflow_1_Tesnsflow_ _ _ _ _Tensorflow]

![在这里插入图片描述][18bbae31729e4bfc816c0256fb8c761f.png]

## 三、线程与队列与IO操作 ##

[深度学习框架Tesnsflow & 线程+队列+IO操作 & 文件读取案例][Tesnsflow _ _IO_ _]

![在这里插入图片描述][79224abfab5542539273b1d079c3622a.png]

## 神经网络基础知识 ##

神经网络的种类：  
基础神经网络：单层感知器，线性神经网络，BP神经网络，Hopfield神经网络等  
进阶神经网络：玻尔兹曼机，受限玻尔兹曼机，递归神经网络等  
深度神经网络：深度置信网络，卷积神经网络，循环神经网络，LSTM网络等  
• 结构（Architecture）例如，神经网络中的变量可以是神经元连接的权重  
• 激励函数（Activity Rule）大部分神经网络模型具有一个短时间尺度的动力学规则，来定义神经元如何根据其他神经元的活动来改变自己的激励值。  
• 学习规则（Learning Rule）学习规则指定了网络中的权重如何随着时间推进而调整。（反向传播算法）

![在这里插入图片描述][7dc4c62a44c5434ea0b07e8de3332180.png]

![在这里插入图片描述][f85561ff37fb49e7b367749c4384c76f.png]

> 损失计算-交叉熵损失公式

![在这里插入图片描述][4caf64daa3524aebb8591b990edefa7d.png]

### 1.简单神经网络 ###

![在这里插入图片描述][c49da7f1e9be484fbf54eea590e629ca.png]

> [http://yann.lecun.com/exdb/mnist/][http_yann.lecun.com_exdb_mnist]

![在这里插入图片描述][c22a7a9f2dbc4935bec9315ad65fe128.png]

> TensorFlow的代码

import tensorflow as tf
    old_v = tf.logging.get_verbosity()
    tf.logging.set_verbosity(tf.logging.ERROR)
    from tensorflow.examples.tutorials.mnist import input_data
    FLAGS = tf.app.flags.FLAGS
    tf.app.flags.DEFINE_integer("is_train", 1, "指定程序是预测还是训练")
    
    
    def full_connected():
    
        # 获取真实的数据
        mnist = input_data.read_data_sets("./data/mnist/", one_hot=True)
        tf.logging.set_verbosity(old_v)
        # 1、建立数据的占位符 x [None, 784]    y_true [None, 10]
        with tf.variable_scope("data"): # 作用域
            x = tf.placeholder(tf.float32, [None, 784])
            y_true = tf.placeholder(tf.int32, [None, 10])
        # 2、建立一个全连接层的神经网络 w [784, 10]   b [10]
        with tf.variable_scope("fc_model"):
            # 随机初始化权重和偏置
            weight = tf.Variable(tf.random_normal([784, 10], mean=0.0, stddev=1.0), name="w")
            bias = tf.Variable(tf.constant(0.0, shape=[10]))
            # 预测None个样本的输出结果matrix [None, 784]* [784, 10] + [10] = [None, 10]
            y_predict = tf.matmul(x, weight) + bias
    
        # 3、求出所有样本的损失，然后求平均值
        with tf.variable_scope("soft_cross"):
            # 求平均交叉熵损失
            loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_true, logits=y_predict))
    
        # 4、梯度下降求出损失
        with tf.variable_scope("optimizer"):
            train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)# 学习率和最小化损失
        # 5、计算准确率
        with tf.variable_scope("acc"):
    
            equal_list = tf.equal(tf.argmax(y_true, 1), tf.argmax(y_predict, 1))
            # equal_list  None个样本   [1, 0, 1, 0, 1, 1,..........]
            accuracy = tf.reduce_mean(tf.cast(equal_list, tf.float32))
        # 收集变量 单个数字值收集
        tf.summary.scalar("losses", loss)
        tf.summary.scalar("acc", accuracy)
        # 高纬度变量收集
        tf.summary.histogram("weightes", weight)
        tf.summary.histogram("biases", bias)
        # 定义一个初始化变量的op
        init_op = tf.global_variables_initializer()
        # 定义一个合并变量的 op
        merged = tf.summary.merge_all()
        # 创建一个saver
        saver = tf.train.Saver()   
        # 开启会话去训练
        with tf.Session() as sess:
            # 初始化变量
            sess.run(init_op)
            # 建立events文件，然后写入
            filewriter = tf.summary.FileWriter("./tmp/summary/test/", graph=sess.graph)
            if FLAGS.is_train == 1:# 如果是1，进行训练
                # 迭代步数去训练，更新参数预测
                for i in range(2000):
                    # 取出真实存在的特征值和目标值
                    mnist_x, mnist_y = mnist.train.next_batch(50)
                    # 运行train_op训练
                    sess.run(train_op, feed_dict={
        x: mnist_x, y_true: mnist_y})
    
                    # 写入每步训练的值
                    summary = sess.run(merged, feed_dict={
        x: mnist_x, y_true: mnist_y})
    
                    filewriter.add_summary(summary, i)
    
                    print("训练第%d步,准确率为:%f" % (i, sess.run(accuracy, feed_dict={
        x: mnist_x, y_true: mnist_y})))
                # 保存模型
                saver.save(sess, "./tmp/ckpt/fc_model")
            else:# 如果是0，做出预测
                # 加载模型
                saver.restore(sess, "./tmp/ckpt/fc_model")
                # 如果是0，做出预测
                for i in range(100):
                    # 每次测试一张图片 [0,0,0,0,0,1,0,0,0,0]
                    x_test, y_test = mnist.test.next_batch(1)
                    print("第%d张图片，手写数字图片目标是:%d, 预测结果是:%d" % (
                        i,
                        tf.argmax(y_test, 1).eval(),
                        tf.argmax(sess.run(y_predict, feed_dict={
        x: x_test, y_true: y_test}), 1).eval()
                    ))
        return None
    
    if __name__ == "__main__":
        full_connected()

### 2.卷积神经网络 ###

![在这里插入图片描述][bdf38167e28147f7a97b0c92373b77b0.png]

> 神经网络的进化

![在这里插入图片描述][703b87dd249c489d8c060509eab8ae37.png]  
神经网络(neural networks)的基本组成包括输入层、隐藏层、输出层。而卷积神经网络的特点在于隐藏层分为卷积层和池化层(pooling layer，又叫下采样层)。

*  卷积层：通过在原始图像上平移来提取特征，每一个特征就是一个特征映射
 *  池化层：通过特征后稀疏参数来减少学习的参数，降低网络的复杂度，（最大池化和平均池化）

![在这里插入图片描述][f1a9b61c432c4a12a5fc3ae353b9f06b.png]

> 结构示意图

![在这里插入图片描述][9dd94ce036f7487693bcc7bb07e0a6bc.png]  
零填充：  
• 卷积核在提取特征映射时的动作称之为padding（零填充），由于移动步长不一定能整除整张图的像素宽度。其中有两种方式，SAME和VALID

1.  SAME：越过边缘取样，取样的面积和输入图像的像素宽度一致。
2.  VALID：不越过边缘取样，取样的面积小于输入人的图像的像素宽度

#### 卷积层 ####

tf.nn.conv2d(input, filter, strides=, padding=, name=None)  
计算给定4-D input和filter张量的2维卷积  
input：给定的输入张量，具有\[batch,heigth,width,  
channel\]，类型为float32,64  
filter：指定过滤器的大小，\[filter\_height, filter\_width, in\_channels, out\_channels\]  
strides：strides = \[1, stride, stride, 1\],步长  
padding：“SAME”, “VALID”，使用的填充算法的类型，使用“SAME”。其中”VALID”表示滑动超出部分舍弃，“SAME”表示填充，使得变化后height,width一样大

![在这里插入图片描述][0288b9d9b4a74daf9b6689fa09544427.png]

#### 新的激活函数-Relu ####

![在这里插入图片描述][5b1dcf68280c4bf5b8703a019d150c1d.png]

> 第一，采用sigmoid等函数，反向传播求误差梯度时，计算量相对大，而采用Relu激活函数，整个过程的计算量节省很多

> 第二，对于深层网络，sigmoid函数反向传播时，很容易就会出现梯度消失的情况（求不出权重和偏置）

> 激活函数：  
> tf.nn.relu(features, name=None)  
> features:卷积后加上偏置的结果  
> return:结果

#### 池化层(Pooling)计算 ####

Pooling层主要的作用是特征提取，通过去掉Feature Map中不重要的样本，进一步减少参数数量。Pooling的方法很多，最常用的是Max Pooling。

![在这里插入图片描述][d4037b5d639a4065829202a6267d6672.png]  
![在这里插入图片描述][3744a118c36743a988e51e8c01dd9569.png]  
**池化：**  
tf.nn.max\_pool(value, ksize=, strides=, padding=,name=None)  
输入上执行最大池数  
value:4-D Tensor形状\[batch, height, width, channels\]  
ksize:池化窗口大小，\[1, ksize, ksize, 1\]  
strides:步长大小，\[1,strides,strides,1\]  
padding:“SAME”, “VALID”，使用的填充算法的类型，使用“SAME”

**Full Connected层：**  
分析：前面的卷积和池化相当于做特征工程，后面的全连接相当于做特征加权。最后的全连接层在整个卷积神经网络中起到“分类器”的作用。

## 案例：Mnist手写数字图片识别卷积网络案例 ##

流程：  
1、准备数据  
2、卷积、激活、池化（两层）  
3、全连接层  
4、计算准确率

import tensorflow as tf
    old_v = tf.logging.get_verbosity()
    tf.logging.set_verbosity(tf.logging.ERROR)
    from tensorflow.examples.tutorials.mnist import input_data
    # 定义一个初始化权重的函数
    def weight_variable(shape):
        w = tf.Variable(tf.random_normal(shape=shape,mean=0.0,stddev=1.0))
        return w
    # 定义一个初始化偏置的函数
    def bias_variable(shape):
        b = tf.Variable(tf.constant(0.0,shape=shape))
        return b
    def model():
        '''
        自定义的卷积模型
        :return:
        '''
        # 1、准备数据的占位符  x [None, 784]    y_true [None, 10]
        with tf.variable_scope("data"): # 作用域
            x = tf.placeholder(tf.float32, [None, 784])
            y_true = tf.placeholder(tf.int32, [None, 10])
    
        # 2、一卷积层 卷积 5x5x1,32个，strides=1
                ##   激活 tf.nn.relu，池化
        with tf.variable_scope("conv1"):  # 作用域
            # 随机初始化权重，偏置
            w_conv1 = weight_variable([5,5,1,32])
            b_conv1 = bias_variable([32])
            # 对 x进行形状的改变 [none,784]  ---> [none,28,28,1]
            x_reshape = tf.reshape(x,[-1,28,28,1])
    
            # 卷积 [none,28,28,1] ---> [none,28,28,32]
            x_relu = tf.nn.relu(tf.nn.conv2d(x_reshape,w_conv1,strides=[1,1,1,1],padding="SAME") + b_conv1)
            # 池化 2x2，strides=2，[none,28,28,32]---> [none,14,14,32]
            x_pool1 = tf.nn.max_pool(x_relu, ksize=[1,2,2,1],strides=[1,2,2,1], padding="SAME")
    
        # 3、二卷积层       卷积 5x5x32,64个，strides=1
        #             ##   激活 tf.nn.relu，池化
            # 随机初始化权重[5, 5, 32, 64]，偏置
            w_conv2 = weight_variable([5, 5, 32, 64])
            b_conv2 = bias_variable([64])
            # 卷积，激活，池化计算
            # [none,14,14,32] ---> [none,14,14,64]
            x_relu2 = tf.nn.relu(tf.nn.conv2d(x_pool1, w_conv2, strides=[1, 1, 1, 1], padding="SAME") + b_conv2)
            # 池化 2x2，strides=2，[none,14,14,64]---> [none,7,7,64]
            x_pool2 = tf.nn.max_pool(x_relu2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding="SAME")
    
        # 4、全连接层 [none,7,7,64]---> [none,7*7*64]*[7*7*64,10] +[10] = [none,10]
        with tf.variable_scope("conv2"):  # 作用域none,
            # 随机初始化权重，偏置
            w_fc = weight_variable([7*7*64, 10])
            b_fc = bias_variable([10])
    
            # 修改形状 [none,7,7,64]---> [none,7*7*64]，四维到二维
            x_fc_reshape = tf.reshape(x_pool2,[-1,7*7*64])
    
            # 矩阵运算得出每个样本的10个结果
            y_predict = tf.matmul(x_fc_reshape, w_fc) + b_fc
    
        return  x , y_true ,y_predict
    
    def conv_fc():
        #获取真实数据
        mnist = input_data.read_data_sets("./data/mnist/", one_hot=True)
        # 定义模型，得出输出
        x, y_true, y_predict = model()
    
        # 进行交叉熵损失计算
        with tf.variable_scope("soft_cross"):
            # 求平均交叉熵损失
            loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_true, logits=y_predict))
    
        # 4、梯度下降求出损失 学习率要比较小
        with tf.variable_scope("optimizer"):
            train_op = tf.train.GradientDescentOptimizer(0.0001).minimize(loss)# 学习率和最小化损失
    
        # 5、计算准确率
        with tf.variable_scope("acc"):
            equal_list = tf.equal(tf.argmax(y_true, 1), tf.argmax(y_predict, 1))
            # equal_list  None个样本   [1, 0, 1, 0, 1, 1,..........]
            accuracy = tf.reduce_mean(tf.cast(equal_list, tf.float32))
    
        # 定义一个初始化变量 op
        init_op = tf.global_variables_initializer()
        # 开启会话去训练
    
        with tf.Session() as sess:
            # 初始化变量
            sess.run(init_op)
            # 循环训练
            for i in range(1000):
                # 取出真实存在的特征值和目标值
                mnist_x, mnist_y = mnist.train.next_batch(50)
                # 运行train_op训练
                sess.run(train_op, feed_dict={
        x: mnist_x, y_true: mnist_y})
                print("训练第%d步,准确率为:%f" % (i, sess.run(accuracy, feed_dict={
        x: mnist_x, y_true: mnist_y})))
        return None
    
    if __name__ == "__main__":
        conv_fc()

**GoogleNet:**

![在这里插入图片描述][b61cd6689fd24bb0bb9d96ece48dda75.png]  
![在这里插入图片描述][37804e3a02d945f8b5198d5cd2fa176c.png]

[Tensorflow_1_Tesnsflow_ _ _ _ _Tensorflow]: https://blog.csdn.net/Pireley/article/details/131532482
[18bbae31729e4bfc816c0256fb8c761f.png]: https://img-blog.csdnimg.cn/18bbae31729e4bfc816c0256fb8c761f.png
[Tesnsflow _ _IO_ _]: https://blog.csdn.net/Pireley/article/details/131737755
[79224abfab5542539273b1d079c3622a.png]: https://img-blog.csdnimg.cn/79224abfab5542539273b1d079c3622a.png
[7dc4c62a44c5434ea0b07e8de3332180.png]: https://img-blog.csdnimg.cn/7dc4c62a44c5434ea0b07e8de3332180.png
[f85561ff37fb49e7b367749c4384c76f.png]: https://img-blog.csdnimg.cn/f85561ff37fb49e7b367749c4384c76f.png
[4caf64daa3524aebb8591b990edefa7d.png]: https://img-blog.csdnimg.cn/4caf64daa3524aebb8591b990edefa7d.png
[c49da7f1e9be484fbf54eea590e629ca.png]: https://img-blog.csdnimg.cn/c49da7f1e9be484fbf54eea590e629ca.png
[http_yann.lecun.com_exdb_mnist]: http://yann.lecun.com/exdb/mnist/
[c22a7a9f2dbc4935bec9315ad65fe128.png]: https://img-blog.csdnimg.cn/c22a7a9f2dbc4935bec9315ad65fe128.png
[bdf38167e28147f7a97b0c92373b77b0.png]: https://img-blog.csdnimg.cn/bdf38167e28147f7a97b0c92373b77b0.png
[703b87dd249c489d8c060509eab8ae37.png]: https://img-blog.csdnimg.cn/703b87dd249c489d8c060509eab8ae37.png
[f1a9b61c432c4a12a5fc3ae353b9f06b.png]: https://img-blog.csdnimg.cn/f1a9b61c432c4a12a5fc3ae353b9f06b.png
[9dd94ce036f7487693bcc7bb07e0a6bc.png]: https://img-blog.csdnimg.cn/9dd94ce036f7487693bcc7bb07e0a6bc.png
[0288b9d9b4a74daf9b6689fa09544427.png]: https://img-blog.csdnimg.cn/0288b9d9b4a74daf9b6689fa09544427.png
[5b1dcf68280c4bf5b8703a019d150c1d.png]: https://img-blog.csdnimg.cn/5b1dcf68280c4bf5b8703a019d150c1d.png
[d4037b5d639a4065829202a6267d6672.png]: https://img-blog.csdnimg.cn/d4037b5d639a4065829202a6267d6672.png
[3744a118c36743a988e51e8c01dd9569.png]: https://img-blog.csdnimg.cn/3744a118c36743a988e51e8c01dd9569.png
[b61cd6689fd24bb0bb9d96ece48dda75.png]: https://img-blog.csdnimg.cn/b61cd6689fd24bb0bb9d96ece48dda75.png
[37804e3a02d945f8b5198d5cd2fa176c.png]: https://img-blog.csdnimg.cn/37804e3a02d945f8b5198d5cd2fa176c.png