[[223516]]

本文附帶的代碼可以在這里下載：

https://github.com/NMZivkovic/IntrouductionToTensorFlow

最近，我向大家介紹了我的 side-project，是個用 C# 寫的簡單的神經(jīng)網(wǎng)絡(luò)項目。正如我在那篇文章中提到的，給出的解決方案離***方案還差的太遠(yuǎn)。假如要達(dá)到專業(yè)化使用的程度，這個解決方案還需要使用更多的數(shù)學(xué)和矩陣乘法。幸運的是，Google 里有些聰明人創(chuàng)造了一個做這件事情的庫——TensorFlow。這是一個廣受歡迎的開源庫，正如你目前所了解的那樣，它擅長于數(shù)字計算，這對我們的神經(jīng)網(wǎng)絡(luò)計算至關(guān)重要。它為大多數(shù)主流程序語言進行深度學(xué)習(xí)領(lǐng)域的開發(fā)提供了應(yīng)用程序接口。

[[223517]]

TensorFlow 是如何運作的呢? 它的整個解決方案是基于張量進行的，張量是 TensorFlow 的原始單元。TensorFlow 使用一個張量數(shù)據(jù)結(jié)構(gòu)來表示所有數(shù)據(jù)。在數(shù)學(xué)中，張量是描述其他幾何對象之間的線性關(guān)系的幾何對象。在 TesnsorFlow 中，它們是多維數(shù)組或數(shù)據(jù)，比如矩陣。其實它并不像這樣簡單， 但這就是我現(xiàn)在想說的深入線性代數(shù)的整個張量的概念。無論如何，我們可以把張量看作是 n 維陣列，對它使用矩陣運算是簡單且有效的。例如，在下面的代碼中，我們定義了兩個常量張量，并將一個值添加到另一個上。

這就是整個張量概念在線性代數(shù)中，

我們都知道，常量的值是不變的。而 TensorFlow 擁有豐富的 API，它的文檔也很齊全，我們可以使用它定義其他類型的數(shù)據(jù)，比如變量。

除了張量之外，TensorFlow 還使用數(shù)據(jù)流圖。圖中的節(jié)點表示數(shù)學(xué)運算，邊表示在它們之間通信的張量。

安裝和設(shè)置 

TensorFlow 為各種程序語言提供了 API，比如 Python、C++、Java、Go、Haskell 和 R(以第三方庫的形式)。此外，它支持不同類型的操作系統(tǒng)。在本文中，我們將在 Windows 10 上使用 Python，因此會提及這個平臺上的安裝過程。TensorFlow 只支持 Python 3.5 和 3.6，所以請確保你的系統(tǒng)中安裝了其中的一個版本。對于其他的操作系統(tǒng)和語言，你可以查看官方的安裝指南。我們需要了解的另一件事是系統(tǒng)的硬件配置。安裝 TensorFlow 可以有兩種選擇：

• 只支持 CPU 的 TensorFlow 版本。
• 支持 GPU 的 TensorFlow 版本。

如果你的系統(tǒng)有一個 NVIDIA GPU，那么你可以安裝支持 GPU 的 TensorFlow 版本。當(dāng)然，GPU 版本更快，但是 CPU 版更容易安裝和配置。

如果你使用 Anaconda 安裝 TensorFlow，可以按照以下步驟完成:

通過運行命令來創(chuàng)建一個 conda 環(huán)境“tensorflow”。

conda create -n tensorflow pip python=3.5  

通過命令激活創(chuàng)建的環(huán)境:

activate tensorflow  

調(diào)用該命令來在你的環(huán)境中安裝 TensorFlow。對于 CPU 版本運行這個命令:

pip install --ignore-installed --upgrade tensorflow 

對于 GPU 版本運行命令:

pip install --ignore-installed --upgrade tensorflow-gpu 

當(dāng)然，你也可以使用“native pip”命令來安裝 TensorFlow。對于 CPU 版本運行:

pip3 install --upgrade tensorflow 

對于 GPU TensorFlow 版本運行命令:

pip3 install --upgrade tensorflow-gpu 

現(xiàn)在我們已經(jīng)安裝了 TensorFlow。接下來開始解決我們要解決的問題。

Iris 數(shù)據(jù)集分類問題 

Iris 數(shù)據(jù)集，以及 MNIST 數(shù)據(jù)集，可能是模式識別文獻中***的數(shù)據(jù)集之一。這是機器學(xué)習(xí)分類問題的“Hello World”示例。它最早是在 1936 年由 Ronald Fisher 推出的。他是英國的統(tǒng)計學(xué)家和植物學(xué)家，他在論文《使用多重測量解決生物分類問題》中使用了這個例子，直到今天這篇論文也經(jīng)常被引用。該數(shù)據(jù)集包含 3 個類別，每個類別有 50 個實例。每個類別都是一種類型的 Iris 植物：Iris setosa、Iris virginica 和 Iris versicolor。***類是線性可分的，但后兩種不是線性可分的。每個記錄都有五個屬性:

• cm 表示的 Sepal 長度
• cm 表示的 Sepal 寬度
• cm 表示的 Petal 長度
• cm 表示的 Petal 寬度

類別 Class(Iris setosa, Iris virginica, Iris versicolor)

我們要創(chuàng)建神經(jīng)網(wǎng)絡(luò)的目標(biāo)是根據(jù)其他屬性來預(yù)測 Iris 的種類。這意味著它需要創(chuàng)建一個模型，描述屬性值和類別之間的關(guān)系。

TensorFlow 工作流 

大部分的 TensorFlow 代碼遵循這個工作流程:

• 導(dǎo)入數(shù)據(jù)集
• 使用附加列擴展數(shù)據(jù)集，用以描述數(shù)據(jù)
• 選擇模型的類型
• 開始訓(xùn)練
• 評估模型的準(zhǔn)確性
• 使用模型預(yù)測結(jié)果

如果你關(guān)注我之前的博客文章，你可能會注意到開發(fā)任何人工神經(jīng)網(wǎng)絡(luò)都離不開訓(xùn)練和評估過程。這些過程通常是在兩個數(shù)據(jù)集上完成的，一個用于訓(xùn)練，另一個用于測試訓(xùn)練網(wǎng)絡(luò)的準(zhǔn)確性。通常，我們得到一組數(shù)據(jù)，我們需要將它們分成兩個獨立的數(shù)據(jù)集，并使用其中一個進行培訓(xùn)，另一個用于測試。這一比率通常為 80% 到 20%。這次這些都已經(jīng)為我們做好了。你可以從這里下載訓(xùn)練數(shù)據(jù)集，從這里下載測試數(shù)據(jù)集?；蛘吣憧梢詮倪@里下載完整的代碼和數(shù)據(jù)。

 編碼 

在繼續(xù)之前，我得首先說明一下，我使用 Spyder IDE 進行開發(fā)，因此我將使用這個環(huán)境來解釋整個過程。

我們需要做的***件事是導(dǎo)入數(shù)據(jù)集并解析它。為此，我們需要使用另一個 Python 庫 -Pandas。這是另一個開源庫，為 Python 提供了易于使用的數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)分析工具。

正如你所看到的，首先我們使用 readcsv 函數(shù)將數(shù)據(jù)集導(dǎo)入到本地變量中，然后我們將輸入 (train_x、test_x) 和預(yù)期輸出 (train_y、test_y) 分離開來，創(chuàng)建四個獨立的矩陣。以下是他們的樣子:

我們準(zhǔn)備好了用于訓(xùn)練和測試的數(shù)據(jù)。現(xiàn)在，我們需要定義特征列，這也是神經(jīng)網(wǎng)絡(luò)需要的。

我們現(xiàn)在需要選擇我們將要使用的模型。在我們的問題中，我們試圖根據(jù)屬性數(shù)據(jù)來預(yù)測 Iris 的類型。所以我們要從 TensorFlow API 中選擇一個評估器。評估器類的一個對象封裝了構(gòu)建 TensorFlow 圖形并運行 TensorFlow 會話的邏輯。為此，我們將使用 DNN 分類器。我們將添加兩個隱藏的層，每個層有十個神經(jīng)元。

在那之后，我們將用我們從訓(xùn)練數(shù)據(jù)集中選取的數(shù)據(jù)來訓(xùn)練我們的神經(jīng)網(wǎng)絡(luò)。首先，我們將定義訓(xùn)練功能。該函數(shù)需要通過擴展和創(chuàng)建多個批次來提供來自訓(xùn)練集的數(shù)據(jù)。如果訓(xùn)練樣本是隨機的訓(xùn)練效果也會更好。這就是為什么調(diào)用 shuffle 函數(shù)的原因。總之， train_function 使用經(jīng)過訓(xùn)練的數(shù)據(jù)集，隨機地從數(shù)據(jù)中選取數(shù)據(jù)，并將數(shù)據(jù)反饋給 DNN 分類器的訓(xùn)練方法，從而創(chuàng)建大量的數(shù)據(jù)。

***，我們調(diào)用評估函數(shù)來評估我們的神經(jīng)網(wǎng)絡(luò)，并給出網(wǎng)絡(luò)的回準(zhǔn)度。

當(dāng)我們運行這段代碼后，將得到如下結(jié)果:

所以，我的神經(jīng)網(wǎng)絡(luò)的精度是 0.93，非常不錯。在此之后，我們可以使用單個數(shù)據(jù)調(diào)用分類器，并對其進行預(yù)測。  

結(jié)論 

神經(jīng)網(wǎng)絡(luò)已經(jīng)存在很長時間了，現(xiàn)在的幾乎所有重要的概念都可以追溯到 70 年代或 80 年代。阻礙整個領(lǐng)域發(fā)展的問題是那時我們沒有強大的計算機和 GPU 來運行這些程序?，F(xiàn)在，我們不僅可以做到這一點，而且 Google 通過創(chuàng)造這一偉大的工具使神經(jīng)網(wǎng)絡(luò)變的流行起來，那就是開源的 TensorFlow。如今，我們還有其他更高級的 API，可以進一步簡化神經(jīng)網(wǎng)絡(luò)的實現(xiàn)。其中一些比如 Keras 也是基于 TensorFlow 運行的。在以后的文章中，我們將對這一問題進一步探討。

英文原文鏈接：https://rubikscode.net/2018/02/05/introduction-to-tensorflow-with-python-example/