提到人工智能,绕不开的话题就是机器学习了,因为机器学习是人工智能很重要的一个分支。而今天要讨论的深度学习又是机器学习的一个很重要的分支。
目前的主流深度学习框架有
- TensorFlow
- Keras
- Theano
- …
1、人工智能<–>机器学习<–>深度学习
其实机器学习就是让机器自己学习的算法,我们需要训练出这个算法,在利用这个算法解决一些问题。机器学习和人工智能的关系就是,机器学习是技术,人工智能是概念,机器学习技术用来解决人工智能出现的问题。
显而易见的说,机器学习就是训练如下的一个模型,用这个模型解决问题,那么如何训练呢?那就是通过历史数据来训练。
深度学习是机器学习的一个子集,深度学习是利用深度的神经网络,将模型处理得更为复杂,从而使模型对数据的理解更加深入。
2、线性回归方程
首先要知道线性回归的概念,所谓回归是指:回归事物的本质和真相。线性是指通过一个已知条件x得到预测值y。我们中学学过的y=kx放在坐标系里讨论,就是一条直线,我们称其为:线性的。
所以线性回归方程我们可以抽象成如下:
它的图象可以表示为:
线性回归有一个特点就是,我们事先知道一个方程,然后代入x因变量,就可以得到y的值,只要我们知道这个方程,那么我们就掌握了预测未来的可能。在深度学习中,我们将x点成为 特征,将得到的y成为标签,而一堆特征我们称为 样本。
那么我们对一个模型的训练过程就如下图:
机器学习要做的事情是:先给你一些点,也就是数据集,我们通过这个数据集训练出一个方程,也就是一个模型,然后再用这个模型去预测未来。
3、TensorFlow实战解决单线性回归问题
首先我们要知道利用深度学习算法训练一个模型的核心步骤:
- 准备数据集
- 构建模型
- 训练模型
- 进行预测
我们这里选用了TensorFlow框架进行训练。
单变量线性回归方程可以表示如下:
人工数据集生成
现在的已知条件是,我们有一堆点在这里,然后我们希望通过这些点找到上面的回归方程,这个回归方程就是我们说的模型,这个找方程的过程叫做:模型训练。方程找到了,也就是计算出了w和b了,那么我们就可以通过这个模型预测未知的y值了。
这些点我们可以通过随机生成人工数据集,为了让这些点均匀分布,不会分布在一条线上,我们还要加上噪音振幅。
# 图象实现 %matplotlib inline import matplotlib.pyplot as plt import numpy as np import tensorflow.compat.v1 as tf #关闭Eager Execution tf.compat.v1.disable_eager_execution() #设置随机数种子 np.random.seed(5)
然后生成100个点,每个点的取值在-1,1之间
x_data=np.linspace(-1,1,100) # y=2x+1+噪声 y_data=2*x_data+1.0+np.random.randn(*x_data.shape)*0.4
利用matplotlib画出结果
# 画出随机数生成的散点图 plt.scatter(x_data,y_data) # 画出我们的目标,也就是希望得到的函数y=2*x+1 plt.plot(x_data,2*x_data+1.0,color='red',linewidth=3)
我们画出这个图想要说明的是,当前选用的数据集点生成模型是可行的,因为点和我们期待生成的那个函数是可以拟合的,大致相似的。
构建模型
模型结构如下:
x=tf.placeholder("float",name="x") y=tf.placeholder("float",name="y") # 定义模型函数 def model(x,w,b): return tf.multiply(x,w)+b w=tf.Variable(1.0,name="w0") b=tf.Variable(0.0,name="b0") pred=model(x,w,b)#预测值的计算
训练模型
设置训练参数,在这里 learn_rate
学习率和迭代次数 train_epochs
是超参量参数,也就是我们在训练一个模型的时候必须自己人工定义的参数,通过这种参数去让模型更好的拟合,达到我们希望的效果。我们常说调参调参就是指这个。
#迭代次数 train_epochs=10 #学习率 learn_rate=0.05
定义损失函数
损失函数的作用是指导模型收敛的方向,他表示描述预测值和真实值之间的误差,是一个数。
常见的损失函数有:
- L1损失函数
- l2损失函数
- 均方误差MSE
这里我们使用MSE均方差损失函数。所谓均方差损失函数就是每个点的y值减掉预测的y值在进行平方,然后把这些点的平方都加起来,最后加和结果除以总的点个数。专业的解释是:每个样本的平均平方损失。
# 采用均方差作为损失函数 loss_function=tf.reduce_mean(tf.square(y-pred))
定义优化器
我们定义优化器的目的是减少模型的损失,使得损失最小化。我们在优化器 Optimzer
中会通过 learn_rate
学习率和 loss_function
损失函数 来优化收敛我们的模型。我们在讨论损失函数的时候,我们希望损失最小,那么我们就要求出损失函数的最小值。怎么求呢?我们需要用到 梯度下降算法。
# 梯度下降优化器 optimizer=tf.train.GradientDescentOptimizer(learn_rate).minimize(loss_function)
如何理解梯度下降呢?首先需要知道这个东西是为了降低损失的,降低损失函数的值!
梯度下降法的基本思想可以类比为一个下山的过程,如下图所示函数看似为一片山林,红色的是山林的高点,蓝色的为山林的低点,蓝色的颜色越深,地理位置越低,则图中有一个低点,一个最低点。
假设这样一个场景:一个人被困在山上(图中红圈的位置),需要从山上下来(找到山的最低点,也就是山谷),但此时山上的浓雾很大,导致可视度很低。因此,下山的路径就无法确定,他必须利用自己周围的信息去找到下山的路径。这个时候,他就可以利用梯度下降算法来帮助自己下山。具体来说就是,以他当前的所处的位置为基准,寻找这个位置最陡峭的地方,然后朝着山的高度下降的方向走,然后每走一段距离,都反复采用同一个方法,最后就能成功的抵达山谷。
假设这座山最陡峭的地方是无法通过肉眼立马观察出来的,而是需要一个复杂的工具来测量,同时,这个人此时正好拥有测量出最陡峭方向的工具。所以,此人每走一段距离,都需要一段时间来测量所在位置最陡峭的方向,这是比较耗时的。那么为了在太阳下山之前到达山底,就要尽可能的减少测量方向的次数。这是一个两难的选择,如果测量的频繁,可以保证下山的方向是绝对正确的,但又非常耗时,如果测量的过少,又有偏离轨道的风险。所以需要找到一个合适的测量方向的频率(多久测量一次),来确保下山的方向不错误,同时又不至于耗时太多,在算法中我们成为步长。
在这里我们将步长称为 学习率,也就是上面代码中的 learn_rate
。学习率不能过大过小,需要我们根据经验设置,过大过小都会导致模型拟合过度。
我们说一个点什么时候梯度最小?也就是说什么时候损失函数最小?
如下图我们对点进行求导,它的导数从数学的角度来说表示斜率,也就是斜线的陡峭程度,这个斜率的值其实就是我们说的梯度。斜线的方向就是我们说的梯度方向。
如下图,当点的斜率为0的时候,也就是梯度为0了,这个时候我们说这个模型的损失最小,模型最为拟合。
其实我们上面定义的优化器 GradientDescentOptimizer(learn_rate).minimize(loss_function)
已经帮我们干了上面所有的事情,它直接通过我们设置好的步长学习率和损失函数,将我们的模型损失降到了最低,也就是上面这张图所需要的效果。
创建会话
sess=tf.Session() # 所有变量初始化 init=tf.global_variables_initializer() sess.run(init)
迭代训练
在模型训练阶段,设置多轮迭代,每次通过将样本逐个输入模型,进行梯度下降优化操作,每轮迭代以后,绘制出迭代曲线
# epoch就是训练轮数,这里为10 for epoch in range(train_epochs): for xs,ys in zip(x_data,y_data): _,loss=sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})#核心 b0temp=b.eval(session=sess) w0temp=w.eval(session=sess) plt.plot(x_data,w0temp*x_data+b0temp)
训练结果
从图中可以得到,这个模型在训练3次以后就接近拟合的状态了。
打印参数和预测值
print("w:",sess.run(w)) print("b:",sess.run(b)) x_test=3.21 #这是预测值 predict=sess.run(pred,feed_dict={x:x_test}) print("预测值:%f" % predict) target=2*x_test+1.0 print("目标值:%f" % target)
4、完整代码demo
环境:
- Anaconda
- Jupyter
- Python3.5.2
- TensorFlow2.0
%matplotlib inline import matplotlib.pyplot as plt import numpy as np import tensorflow.compat.v1 as tf tf.compat.v1.disable_eager_execution() np.random.seed(5) x_data=np.linspace(-1,1,100) y_data=2*x_data+1.0+np.random.randn(*x_data.shape)*0.4 plt.scatter(x_data,y_data) plt.plot(x_data,2*x_data+1.0,color='red',linewidth=3) x=tf.placeholder("float",name="x") y=tf.placeholder("float",name="y") def model(x,w,b): return tf.multiply(x,w)+b w=tf.Variable(1.0,name="w0") b=tf.Variable(0.0,name="b0") pred=model(x,w,b) #设置迭代次数和学习率、损失函数 train_epochs=10 learn_rate=0.05 loss_function=tf.reduce_mean(tf.square(y-pred)) optimizer=tf.train.GradientDescentOptimizer(learn_rate).minimize(loss_function) sess=tf.Session() init=tf.global_variables_initializer() sess.run(init) for epoch in range(train_epochs): for xs,ys in zip(x_data,y_data): _,loss=sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys}) b0temp=b.eval(session=sess) w0temp=w.eval(session=sess) plt.plot(x_data,w0temp*x_data+b0temp) print("w:",sess.run(w)) print("b:",sess.run(b)) x_test=3.21 predict=sess.run(pred,feed_dict={x:x_test}) print("预测值:%f" % predict) target=2*x_test+1.0 print("目标值:%f" % target)