系统架构。
自底向上,设备层、网络层、数据操作层、图统计层、API层、应用层。焦点层,设备层、网络层、数据操作层、图总计层。最下层是网络通信层和设施管理层。
网络通信层包括gRPC(google Remote Procedure Call
Protocol)和长途直接数据存取(Remote Direct Memory
Access,RDMA),分布式统计需要。设备管理层包手包括TensorFlow分别在CPU、GPU、FPGA等装置上的实现。对上层提供联合接口,上层只需处理卷积等逻辑,不需要关怀硬件上卷积实现过程。
数码操作层包括卷积函数、激活函数等操作。
图统计层包括当地统计图和分布式总结图实现(图创设、编译、优化、执行)。

logistic函数,也称sigmoid函数,概率分布函数。给定特定输入,总括输出”success”的概率,对回题回答”Yes”的几率。接受单个输入。多维数据或磨炼集样本特征,可以用线性回归模型表明式合并成单值。

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
图统计层:分布式总计图、本地总结图
数据操作层:Const、Var、Matmul、Conv2D、Relu、Queue
网络层:gPRC、RDMA
设备层:CPU、GPU

损失函数可以利用平方误差。练习集”Yes”代表100%概率或输出值1的概率。损失刻画特定样本模型分配小于1值概率。”No”概率值0。损失是模型分配样本概率值并取平方。平方误差惩罚与损失同数量级意况。输出与期待相差太远,交叉熵(cross
entropy)输出更大值(惩罚)。模型期望输出”Yes”样本预测概率接近0时,罚项值增长到接近无穷大。锻练完,模型不容许做出如此的不当预测。TensorFlow提供单个优化步骤sigmoid输出总括交叉熵。

设计理念。
图定义、图运行完全分开。符号主义。命令式编程(imperative style
programming),遵照编写逻辑顺序执行,易于了然调试。符号式编程(symbolic
style
programming),嵌入、优化,不易掌握调试,运行速度快。Torch命令式,Caffe、MXNet混合,TensorFlow完全符号式。符号式总括,先定义各个变量,建立数量流图,规定变量总括关系,编译数据流图,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运算在多少流图中,图运行只暴发在对话(session)中。开启对话,数据填充节点,运算。关闭对话,不可能测算。会话提供操作运行和Tensor求值环境。

信息论,符号字符串每个字符出现概率已知,用香农熵算计字符串每个符号编码所需平均最小位数。符号编码,虽然假诺任何概率非真正概率,符号编码长度更大。交叉熵以次优编码方案统计同字符串编码平均最小位数。损失函数期望输出概率分布,实际值100%和0,将自定概率作为模型测算输出。sigmoid函数输出概率值。当真正概率等于自定概率,交叉熵值最小。交叉熵越接近熵,自定概率是真实概率更好逼近。模型输出与期待输出越接近,交叉熵越小。

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)#举办矩阵乘法,输出[3.,8.]
sess.close()

从csv文件读取数据,加载解析,创制批次读取张量多行数据,提高估计总括功能。tf.decode_csv()Op将字符串(文本行)转换来指定默认值张量列元组,为每列设置数据类型。读取文件,加载张量batch_size行。属性数据(categorical
data),估计模型需要把字符串特征转换为数值型特征。每个属性特征增加为N维布尔型特征,每个可能取值对应一维。具备属性相应维度取值1。模型对各种可能取值独立加权。单个变量表示只可能二种值属性。所有特征排列矩阵,矩阵转置,每行一样本,每列一风味。输入,调用read_csv,转换读取数据,tf.equal方法检查属性值与常量值是否等于,tf.to_float方法将布尔值转换成数值。tf.stack方法打包所有布尔值进单个张量。

编程模型。
TensorFlow用数据流图做总结。创立数量流图(网络布局图)。TensorFlow运行原理,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训练(SGD Trainer),简单回归模型。
计量过程,从输入先导,经过塑形,一层一层前向传播运算。Relu层(隐藏层)有两个参数,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),学习四个参数Wsm、bsm。用Softmax统计输出结果各类门类概率分布。用交叉熵度量源样本概率分布和出口结果概率分布之间相似性。总结梯度,需要参数Wh1、bh1、Wsm、bsm、交叉熵结果。SGD磨练,反向传播,从上往下统计每层参数,依次更新。总结更新顺序,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

磨练,度量准确率,正确预测样本总数占全体样本比例。样本输出超越0.5转换为正回复。tf.equal相比较预测结果与实际值是否等于。tf.reduce_mean总结所有科学预测样本数,除以批次样本总数,得到不错预测百分比。

边。数据看重、控制依赖。实线边表示数据依赖,代表数量,张量(任意维度的多寡)。机器学习算法,张量在数据流图往日将来流动,前向传来(forword
propagation)。残差(实际观察值与锻炼预计值的差),从后向前流动,反向传播(backword
propagation)。虚线边表示控制倚重(control
dependency),控制操作运行,确保happens-before关系,边上没有数量流过,源节点必须在目标节点先河施行前成功实施。
TensorFlow张量数据属性:
数据类型 Python类型 描述
DT_FLOAT tf.float32 32位浮点型
DT_DOUBLE tf.float64 64位浮点型
DT_INT64 tf.int64 64位有标志整型
DT_INT32 tf.int32 32位有号子整型
DT_INT16 tf.int16 16位有标志整型
DT_INT8 tf.int8 8位有号子整型
DT_UINT8 tf.uint8 8位无符号整型
DT_STRING tf.tring 要变长度字节数组,每一张量元素是一字节数组
DT_BOOL tf.bool 布尔型
DT_COMPLEX64 tf.complex64 五个32位浮点数组成复数,实部、虚部
DT_QINT32 tf.qint32
量化操作32位有号子整型,信号连续取值或大气或许离散取值,近似为简单六个或较少离散值
DT_QINT8 tf.qint8 量化操作8位有标志整型
DT_QUINT8 tf.quint8 量化操作8位无符号整型
图和张量实现源代码:tensorflow-1.1.0/tensorflow/python/framework/ops.py

 

节点。算子。代表一个操作(operation,OP)。表示数学运算,也得以象征数据输入(feed
in)起点和输出(push out)终点,或者读取、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实现算子(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/下核函数实现
矩阵运算操作 MatMul、MatrixInverse、MatrixDeterminant……
有状态操作 Variable、Assign、AssignAdd……
神经网络构建操作 Soft马克斯、Sigmoid、ReLU、Convolution2D、马克斯(Max)Pool……
检查点操作 Save、Restore
队列和同步操作 Enqueue、Dequeue、MutexAcquire、MutexRelease……
支配张量流动操作 Merge、Switch、Enter、Leave、NextIteration

    import tensorflow as tf
    import os
    #参数变量初始化
    W = tf.Variable(tf.zeros([5, 1]), name="weights")#变量权值
    b = tf.Variable(0., name="bias")#线性函数常量,模型偏置
    def combine_inputs(X):#输入值合并
        print "function: combine_inputs"
        return tf.matmul(X, W) + b
    def inference(X):#计算返回推断模型输出(数据X)
        print "function: inference"
        return tf.sigmoid(combine_inputs(X))#调用概率分布函数
    def loss(X, Y):#计算损失(训练数据X及期望输出Y)
        print "function: loss"
        return tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=combine_inputs(X), labels=Y))#求平均值
    def read_csv(batch_size, file_name, record_defaults):#从csv文件读取数据,加载解析,创建批次读取张量多行数据
        filename_queue = tf.train.string_input_producer([os.path.join(os.getcwd(), file_name)])
        reader = tf.TextLineReader(skip_header_lines=1)
        key, value = reader.read(filename_queue)
        decoded = tf.decode_csv(value, record_defaults=record_defaults)#字符串(文本行)转换到指定默认值张量列元组,为每列设置数据类型
        return tf.train.shuffle_batch(decoded, batch_size=batch_size, capacity=batch_size * 50, min_after_dequeue=batch_size)#读取文件,加载张量batch_size行
    def inputs():#读取或生成训练数据X及期望输出Y
        print "function: inputs"
        #数据来源:https://www.kaggle.com/c/titanic/data
        #模型依据乘客年龄、性别、船票等级推断是否能够幸存
        passenger_id, survived, pclass, name, sex, age, sibsp, parch, ticket, fare, cabin, embarked = \
            read_csv(100, "train.csv", [[0.0], [0.0], [0], [""], [""], [0.0], [0.0], [0.0], [""], [0.0], [""], [""]])
        #转换属性数据
        is_first_class = tf.to_float(tf.equal(pclass, [1]))#一等票
        is_second_class = tf.to_float(tf.equal(pclass, [2]))#二等票
        is_third_class = tf.to_float(tf.equal(pclass, [3]))#三等票
        gender = tf.to_float(tf.equal(sex, ["female"]))#性别,男性为0,女性为1

        features = tf.transpose(tf.stack([is_first_class, is_second_class, is_third_class, gender, age]))#所有特征排列矩阵,矩阵转置,每行一样本,每列一特征
        survived = tf.reshape(survived, [100, 1])
        return features, survived
    def train(total_loss):#训练或调整模型参数(计算总损失)
        print "function: train"
        learning_rate = 0.01
        return tf.train.GradientDescentOptimizer(learning_rate).minimize(total_loss)
    def evaluate(sess, X, Y):#评估训练模型
        print "function: evaluate"
        predicted = tf.cast(inference(X) > 0.5, tf.float32)#样本输出大于0.5转换为正回答
        print sess.run(tf.reduce_mean(tf.cast(tf.equal(predicted, Y), tf.float32)))#统计所有正确预测样本数,除以批次样本总数,得到正确预测百分比
    #会话对象启动数据流图,搭建流程
    with tf.Session() as sess:
        print "Session: start"
        tf.global_variables_initializer().run()
        X, Y = inputs()
        total_loss = loss(X, Y)
        train_op = train(total_loss)
        coord = tf.train.Coordinator()
        threads = tf.train.start_queue_runners(sess=sess, coord=coord)
        training_steps = 1000#实际训练迭代次数
        for step in range(training_steps):#实际训练闭环
            sess.run([train_op])
            if step % 10 == 0:#查看训练过程损失递减
                print str(step)+ " loss: ", sess.run([total_loss])
        print str(training_steps) + " final loss: ", sess.run([total_loss])
        evaluate(sess, X, Y)#模型评估
        import time
        time.sleep(5)
        coord.request_stop()
        coord.join(threads)
        sess.close()

图。操作任务描述成有向无环图。创设各个节点。

 

import tensorflow as tf
#创制一个常量运算操作,暴发一个1×2矩阵
matrix1 = tf.constant([[3.,3.]])
#创设此外一个常量运算操作,暴发一个2×1矩阵
matrix2 = tf.constant([[2.],[2.]])
#创办一个矩阵乘法运算,把matrix1和matrix2作为输入
#重回值product代表矩阵乘法结果
product = tf.matmul(matrix2,matrix2)

参考资料:
《面向机器智能的TensorFlow实践》

对话。启动图第一步创建一个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类创设并运行操作。

欢迎加我微信互换:qingxingfengzi
本身的微信公众号:qingxingfengzigz
自我太太张幸清的微信公众号:qingqingfeifangz

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)。再次来到结果类型依照输入类型而定,取回(fetch)。
对话是图交互桥梁,一个对话可以有多少个图,会话可以修改图结构,可以往图流入数据总计。会话多个API:Extend(图添加节点、边)、Run(输入总计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

装备(device)。一块用作运算、拥有自己地址空间的硬件。CPU、GPU。TensorFlow可以提定操作在哪个设备举行。with
tf.device(“/gpu:1”): 。

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

#创制一个变量,伊始化为标量0
state = tf.Variable(0,name=”counter”)
创制常量张量:

state = tf.constant(3.0)
填充机制。构建图用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,填充数据流失。

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

基础。操作(operation),抽象操作统称。内核(kernel),运行在一定设备(CPU、GPU)上操作的实现。同一操作可能对应几个基本。自定义操作,新操作和基本注册添加到系统。

常用API。
图。TensorFlow总计表现为多少流图。tf.Graph类包含一类别总结操作对象(tf.Operation)和操作间流动数量张量对象(tf.Tensor)。
操作 描述
tf.Graph.__init__() 创立一个空图
tf.Graph.as_default()将某图设置为默认图,重回一个上下文管理器。不显得添加默认图,系统自动安装全局默认图。模块范围内定义节点都参与默认图
tf.Graph.device(device_name_or_function)
定义运行图所运用设备,重回上下文管理器
tf.Graph.name_scope(name) 为节点创制层次化名称,重回上下方管理器

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 操作倚重
tf.Operation.run(feed_dict=None,session=None) 在对话中运行操作
tf.Operation.get_attr(name) 获取操作属性值

tf.Tensor类,操作输出符号句柄,不带有操作输出值,提供在tf.Session中统计值方法。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 暴发张量操作
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() 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 设置统计张量设备

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类在目录创立事件文件,向文件添加摘要、事件,在TensorBoard突显。
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中开革新事件文件
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() 所有事件上写入磁盘
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,所有输入摘要值

变量功效域。
TensorFlow几个功用域(scope),name_scope(给op_name加前缀),variable_scope(给variable_name、op_name加前缀)。
variable_scope变量效用域机制:
v =
tf.get_variable(name,shape,dtype,initializer)#通过名字创办或回到变量
tf.variable_scope(<scope_name>)#给变量指定命名空间
tf.get_variable_scope().reuse==False(默认为False,无法得用),variable_scope成效域只好创建新变量。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()获取变量效用域。开户变量效率域使用在此之前先行定义效用域,跳过当前变量效率域,保持预先存在功效域不变。
变量功能域可以默认辅导一个开头化器。子效用域或变量可以继承或重写父功能域开头化器值。
op_name在variable_scope效率域操作,会添加前缀。
variable_scope首要用在循环神经网络(RNN)操作,大量共享变量。
name_scope。划分变量范围,可视化中意味在统计图一个层级。name_scope影响op_name,不影响用get_variable()创制变量。影响用Variable()创造变量。给操作加名字前缀。

批标准化。batch normalization,BN。优化梯度弥散问题(vanishing gradient
problem)。
总括机器学习,ICS(Internal Covariate Shift)理论,源域(source
domain)和目的域(target
domain)数据分布一致。操练多少和测试数据满意相同分布。是透过锻炼多少拿到模型在测试集得到好效率的基本保障。Covariate
Shift,练习集样本数据和目的集分布不一样,磨练模型不能很好泛化(generalization)。源域和目标域条件概率一样,边缘概率不同。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不同,差距随网络加深变大,但每层指向样本标记(label)不变。解决,依照磨练样本和对象样本比例矫正训练样本。引入批标准化规范化层输入(数据按比例缩放,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,模型梯度下降。加大追究步长,加快收敛速度。更易于跳出局部最小值。破坏原数据分布,缓解过拟合。解决神经网络收敛速度慢或梯度爆炸(gradient
explode,梯度非凡大,链式求导乘积变得很大,权重过大,爆发指数级爆炸)。

#计算Wx_plus_b均值方差,axes=[0]规格维度
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。

神经元函数优化措施。

激活函数。activation
function,运行时激活神经网络某部分神经元,激活信息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。神经网络数学基础处处可微,选用激活函数保证输入输出可微。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,单调连续,适合作输出层,求导容易。软饱和性,输入落入饱和区,f'(x)变得接近0,容易爆发梯度消失。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左侧硬饱和激活函数。梯度消失,更新模型参数,拔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其他进献。
tanh函数。软饱和性,输出0为主旨,收敛速度比sigmoid快。也无力回天解决梯度消失。
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时保障梯度不衰减,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,权重不能改进,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决定是否被遏制。假设被遏制,神经元就输出0,否则输出被置于原来的1/keep_prob倍。神经元是否被扼杀,默认相互独立。noise_shape调节,noise_shape[i]==shape(x)[i],x中元素相互独立。shape(x)=[k,l,m,n],x维度顺序批、行、列、通道。noise_shape=[k,1,1,n],批、通道彼此独立,行、列数据涉嫌,都为0,或原值。杂文中最早做法,锻炼中概率p屏弃。预测中,参数按比例收缩,乘p。框架实现,反向ropout代替dropout,练习中一头dropout,再按比例放大,即乘以1/p,预测中不做其他处理。
激活函数选拔。输入数据特征相差明显,用tanh,循环过程不断扩张特征效果展现。特征相差不明明,用sigmoid。sigmoid、tanh,需要输入规范化,否则激活后值全体进去平坦区,隐层输出全体趋同,丧失原有风味表明。relu会好过多,有时可以不做输入规范化。85%-90%神经网络都用ReLU。10-15%用tanh。

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) 总计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、输出数据维度不同。use_cudnn_on_gpu
,可选布尔值,默认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函数将不同卷积核独立使用在in_channels每个通道上,再把具备结果汇总。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。用二维卷积核在每个通道上,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)总计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],必须确保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,每个矩阵窗口中的值通过取最大值或平均值来裁减元素个数。每个池化操作矩阵窗口大小ksize指定,依照步长strides移动。
tf.nn.avg_pool(value,ksize,strides,padding,data_format=’NHWC’,name=None)总计池化区域元素平均值。value,四维张量,数据维度[batch,height,width,
channels]。ksize,长度不小于4整型数组,每位值对应输入数据张量每维窗口对应值。strides,长度不小于4整型数组,批定滑动窗口在输入数据张量每一维上的小幅。padding,字符串,SAME或VALID。data_format,’NHWC’,输入张量维度顺序,N个数,H低度,W宽度,C通道数(RGB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)总结池化区域元素最大值。
tf.nn.max_pool_with_argmax(input,ksize,strides,padding,Targmax=None,
name=None),总计池化区域元素最大值和所在地方。总计地点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运行。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。

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需要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
每个样本交叉熵。
tf.nn.sparse_softmax_cross_entropy_with_logits(logits,labels,name=None)。logits神经网络最终一层结果。输入,logits
[batch_size,num_classes],labels
[batch_size],必须在[0,num_classes]。输出,loss
[batch_size],保存batch 每个样本交叉熵。

优化措施。加速磨练优化措施,多数基于梯度下降。梯度下降求函数极值。学习最终求损失函数极值。TensorFlow提供成千上万优化器(optimizer)。
BGD法。bat gradient
descent,批梯度下降。利用现有参数对练习集每个输入生成一个估摸输出yi。跟实际输出yi相比,总结所有误差,求平均以后拿到平均误差,以此更新参数。迭代历程,提取训练集中具有内容{x1,…,xn},相关输出yi
。总计梯度和误差,更新参数。使用所有训练多少总结,保证没有,不需要逐渐裁减学习率。每一步都需要动用所有操练多少,速度更是慢。
SDG法。stochastic gradient
descent,随机梯度下降。数据集拆分成一个个批次(batch),随机抽取一个批次总计,更新参数,MBGD(minibatch
gradient
descent)。每一趟迭代测算mini-batch梯度,更新参数。磨炼多少集很大,仍是可以较疾速度没有。抽取不可避免梯度误差,需要手动调整学习率(learning
rate)。采纳符合学习率相比困苦。想对常出现特点更新速度快,不常出现特征更新速度慢。SGD更新所有参数用相同学习率。SGD容易收敛到部分最优,可能被困在鞍点。
Momentum法。模拟物农学动量概念。更新时在一定水平保留以前更新方向,当前批次再微调本次更新参数,引入新变量v(速度),作为前两遍梯度累加。Momentum更新学习率,在跌落初期,前后梯度方向一致时,加速学习,在降低中中期,在有些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,先总括一个梯度,在增速革新梯度方向大跳跃。Nesterov法,先在原本加速梯度方向大跳跃,再在该职务总计梯度值,用这多少个梯度值修正最后更新方向。
Adagrad法。自适应为各样参数分配不同学习率,控制每个维度梯度方向。实现学习率自动更改。本次更新梯度大,学习率衰减快,否则慢。
Adadelta法。Adagrad法,学习单调递减,磨炼先前时期学习率很是小,需要手动设置一个大局起头学习率。艾达delta法用一阶方法,近似模拟二阶牛顿(牛顿(Newton))法,解决问题。
RMSprop法。引入一个衰减周全,每三次合都衰减一定比重。对循环神经网络(RNN)效果很好。
艾达(Ada)m法。自适应矩揣测(adaptive moment
estimation)。艾达m法依照损失函数针对每个参数梯度一阶矩估量和二阶矩算计动态调整每个参数学习率。矩猜测,利用样本矩推测全部相应参数。一个随机变量X听从某种分布,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、性能更优。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元每时辰),我的微信:qingxingfengzi