模型练习参数100万个

经文数据集CIFA安德拉-10,四千0张32×32彩色图像,演练集四千0张,测量检验集一千0张。标明10类,每类图片5000张。airplance、automobile、bird、cat、deer、dog、frog、horse、ship、truck。未有其余重叠。CIFA安德拉-100,100类标记。深度学习之父
吉优ffrey Hinton和学生亚历克斯 Krizhevsky、Vinod Nair收罗。图片源于80 million
tiny images数据集。State-of-the-art
3.5%错误率,GPU练习十哪一天辰。详细Benchmark和排名在
http://rodrigob.github.io/are\_we\_there\_yet/build/classification\_datasets\_results.html
。LeCun,现存卷积神经网络已经缓慢解决CIFA景逸SUV-10数据集难题。

依照亚历克斯 cuda-convnet模型修改,两千个batch,每种batch
1三十多个样本,抵达73%正确率。GTX1080单显卡几十秒模型演习时间。CPU慢相当多。如用100k
batch
结合学习进程decay(每隔一段时间下跌学习速率贰个比率),正确率可到86%。模型陶冶参数100万个,预测四则运算总的数量3000万次。对weights进行L2正则化。图片翻转、随机剪切等数码增加,创建更两种本。种种卷积-最大池化层后用L翼虎N层,加强模型泛化才干。

下载TensorFlow Models库,使用当中提供CIFA帕杰罗-10数据类。git clone
https://github.com/tensorflow/models.git。models/tutorials/image/cifar10。

载入常用库,NumPy、time,TensorFlow Models自动下载、读取CIFA讴歌ZDX-10数据类。

定义batch_size,操练轮数max_steps,下载CIFATiguan-10数据私下认可路线。

概念起先化weight函数,tf.truncated_normal截断正态布满开始化权重。Weight加L2
loss ,做L2
正则化。减弱特征或处以不主要特色权重,减轻特征过多导致过拟合。正则化援救找到该处以的特点权重。为利用有些特征,需付出loss代价。L1正则创立萧条特征,大多数无用特征权重被置0。L2正则让特征权重可是大,特征权重较平均。wl调控L2
loss大小,tf.nn.l2_loss函数总计weight L2 loss,tf.multiply L2 loss
乘以wl,得最终 weight loss。tf.add_to_collection weight
loss统一存在collection losses,计算神经互联网总体loss使用。

用cifar10类下载数据集,解压、张开到默许地点。

用cifar10_input类
distorted_inputs函数发生磨练多少,包含特征、label,再次来到封装tensor,每一回实践生成一个batch_size数量样本。Data
Augmentation(数据增加),cifar10_input.distorted_inputs函数,随机水平翻转(tf.image.random_flip_left_right)、随机剪切一块24×24图片(tf.random_crop)、设置随机亮度相比较度(tf.image.random_brightness、tf.image.random_contrast),数据标准(tf.image.per_image_whitening,数据减均值,除方差,有限帮衬数据零均值,方差1)。获得更加多种本,带噪声,一张图纸样本变多张图片,扩充样本量,提升精确率。数据拉长操作消耗大量CPU时间,distored_inputs用十五个单身线程加快任务,函数内部产生线程池,通过TensorFlow
queue调度。

用cifar10_input.inputs函数生成测量试验数据,裁剪图片正中间24×24大小区块,数据标准。

成立输入数据placeholderx,特征、label。设定placeholder数据尺寸,batch_size定义互连网布局要用,数据尺寸第二个值样本条数须要事先设定,不能够设None。数据尺寸的图片尺寸为24×24,裁剪后大小,颜色通道数3,彩色TiguanGB三通道。

首个卷积层,variable_with_weight_loss
函数创设卷积核参数开端化。卷积核大小5×5,3个颜色通道,陆14个卷积核,设置weight初阶化函数标准差0.05。wl(weight
loss)设0。tf.nn.conv2d函数对输入数据image_holder卷积操作,步长stride设1,padding方式SAME,bias初步化0,卷积结果加bias,用ReLU激活函数非线化。用尺寸3×3,步长2×2最大池化层管理多少,尺寸、步长不均等,增添数据充分性。tf.nn.lrn函数,L昂科拉N,管理结果。

LLX570N起于亚历克斯用CNN插足ImageNet比赛散文。LMorganPlus 8N模仿生物神经系统侧抑制机制,对某些神经元活动创立竞争境况,响应非常大值变得相对越来越大,抑制其余举报很小神经元,加强模型泛化技艺。用LMuranoN后CNN
Top1错误率减少1.4%。LPAJERON对无上限边界激活函数ReLU有用,从隔壁两个卷积核响应(Response)挑选相当的大报告,不符合固定边界能抑制过大值激活函数Sigmoid。

其次个卷积层,卷积核尺寸第二个维度度输入通道数64,bias值全开首化0.1。先实行LEscortN层管理,再用最大池化层。

全连接层,把前边五个卷积层输出结果一切flatten,tf.reshape函数把每种样本形成一维向量。get_shape函数获取数据扁平化长度。variable_with_weight_loss函数开头化全连接层weight,隐含节点384,正态遍及规范差0.04,bias开端化0.1。设非零weight
loss值0.04,全部参数被L2正则约束,防止过拟合。ReLU激活函数非线性化。

第一个全连接层,隐含节点192。

终极一层,先创设weight,正态遍布规范差设上一隐含层节点数尾数,不计入L2正则。Softmax操作放在总计loss部分,无需对inference输出softmax管理,就可以赢得最终分类,直接相比inference输出种种数值大小。

方方面面卷积神经网络从输入到输出流程。设计CNN,安排卷积层、池化层、全连接层布满和顺序,超参数设置、Trick使用。卷积神经互连网布局:
conv1:卷积层和ReLU激活函数
pool1:最大池化
norm1:LRN
conv2:卷积层和ReLU激活函数
norm2:LRN
pool2:最大池化
local3:全连接层和ReLU激活函数
local4:全连接层和ReLU激活函数
logits:模型Inference输出结果

计量CNN loss。softmax总计和cross entropy loss
计算合在一齐,tf.nn.sparse_softmax_cross_entropy_with_logits。tf.reduce_mean计算cross
entropy均值,tf.add_to_collection 添加cross entropy loss 到整体losses
collection。tf.add_n全体losses collection
全体loss求和,得最后loss,包罗cross entropy loss,和后四个接二连三层weight
L2 loss。Logits节点、label_placeholder传入loss儿童数,获得最后loss。

优化器选拔Adam Optimizer,学习速率1e-3。

tf.nn.in_top_k函数求输出结果top k正确率,暗许top
1,输出分类最高类准确率。

tf.InteractiveSession创立暗许session ,开头化整人体模型子参数。

初步图片数据增加线程队列,16个线程加速。

教练。每一个step磨炼进程,session run方法实践images_train、
labels_train计算,拿到batch陶冶多少,传入train_op和loss计算。记录每种step时间,每隔11个step总括呈现当前loss、每分钟磨炼样本数量、练习batch数据时间,监察和控制全体磨炼进度。GTX
1080,每秒磨炼1800个样本,batch_size 128,各种batch
0.066s。损失loss,初叶4.6,3000步陶冶下跌到1.0。

评测模型测量检验集精确率。测量检验集10000个样本,使用固定batch_size,每一种batch输入测量试验数据。计算全部样书评测完batch数量。每种step用session
run方法获得images_test、labels_test的batch,执行top_k_op总括模型
batch top
1预测正确样本数。汇总全部预测正确结果,求全部测量试验样本预测准确数量。

打字与印刷准确率评测结果总结。

73%正确率。持续增加max_steps,期望正确率渐渐加多。max_steps比较大,用学习速率衰减(decay)的SGD练习,接近86%。L2正则,L福特ExplorerN层提高模型正确率,进步框泛化性。

多少增加(Data
Augmentation),给单幅图扩充多少个别本,提升图片利用率,防止图片结构学习过拟合。利用图片自身质量,图片冗余音讯量十分大,制造不相同噪声,依可甄别。神经网络打败噪声精确识别,泛化性越来越好。深度学习只要提供丰裕多种本,精确率能够不断提高。
规模越大越复杂神经互联网模型,能够直达准确率水平越高,须求愈来愈多多少磨练。Alexcuda-convnet测量检验结果,CIFAPAJERO-10,不数据增进,错误最低下落到17%,数据增进,错误率下跌到11%。

    import cifar10,cifar10_input
    import tensorflow as tf
    import numpy as np
    import time
    max_steps = 3000
    batch_size = 128
    data_dir = '/tmp/cifar10_data/cifar-10-batches-bin'
    def variable_with_weight_loss(shape, stddev, wl):
        var = tf.Variable(tf.truncated_normal(shape, stddev=stddev))
        if wl is not None:
            weight_loss = tf.multiply(tf.nn.l2_loss(var), wl, name='weight_loss')
            tf.add_to_collection('losses', weight_loss)
        return var
    def loss(logits, labels):
        labels = tf.cast(labels, tf.int64)
        cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(
            logits=logits, labels=labels, name='cross_entropy_per_example')
        cross_entropy_mean = tf.reduce_mean(cross_entropy, name='cross_entropy')
        tf.add_to_collection('losses', cross_entropy_mean)
        return tf.add_n(tf.get_collection('losses'), name='total_loss')

    ###
    cifar10.maybe_download_and_extract()
    images_train, labels_train = cifar10_input.distorted_inputs(data_dir=data_dir,
                                                            batch_size=batch_size)
    images_test, labels_test = cifar10_input.inputs(eval_data=True,
                                                data_dir=data_dir,
                                                batch_size=batch_size)                                                  
    #images_train, labels_train = cifar10.distorted_inputs()
    #images_test, labels_test = cifar10.inputs(eval_data=True)
    image_holder = tf.placeholder(tf.float32, [batch_size, 24, 24, 3])
    label_holder = tf.placeholder(tf.int32, [batch_size])
    #logits = inference(image_holder)
    weight1 = variable_with_weight_loss(shape=[5, 5, 3, 64], stddev=5e-2, wl=0.0)
    kernel1 = tf.nn.conv2d(image_holder, weight1, [1, 1, 1, 1], padding='SAME')
    bias1 = tf.Variable(tf.constant(0.0, shape=[64]))
    conv1 = tf.nn.relu(tf.nn.bias_add(kernel1, bias1))
    pool1 = tf.nn.max_pool(conv1, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1],
                       padding='SAME')
    norm1 = tf.nn.lrn(pool1, 4, bias=1.0, alpha=0.001 / 9.0, beta=0.75)
    weight2 = variable_with_weight_loss(shape=[5, 5, 64, 64], stddev=5e-2, wl=0.0)
    kernel2 = tf.nn.conv2d(norm1, weight2, [1, 1, 1, 1], padding='SAME')
    bias2 = tf.Variable(tf.constant(0.1, shape=[64]))
    conv2 = tf.nn.relu(tf.nn.bias_add(kernel2, bias2))
    norm2 = tf.nn.lrn(conv2, 4, bias=1.0, alpha=0.001 / 9.0, beta=0.75)
    pool2 = tf.nn.max_pool(norm2, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1],
                       padding='SAME')
    reshape = tf.reshape(pool2, [batch_size, -1])
    dim = reshape.get_shape()[1].value
    weight3 = variable_with_weight_loss(shape=[dim, 384], stddev=0.04, wl=0.004)
    bias3 = tf.Variable(tf.constant(0.1, shape=[384]))
    local3 = tf.nn.relu(tf.matmul(reshape, weight3) + bias3)
    weight4 = variable_with_weight_loss(shape=[384, 192], stddev=0.04, wl=0.004)
    bias4 = tf.Variable(tf.constant(0.1, shape=[192]))                                      
    local4 = tf.nn.relu(tf.matmul(local3, weight4) + bias4)
    weight5 = variable_with_weight_loss(shape=[192, 10], stddev=1/192.0, wl=0.0)
    bias5 = tf.Variable(tf.constant(0.0, shape=[10]))
    logits = tf.add(tf.matmul(local4, weight5), bias5)
    loss = loss(logits, label_holder)
    train_op = tf.train.AdamOptimizer(1e-3).minimize(loss) #0.72
    top_k_op = tf.nn.in_top_k(logits, label_holder, 1)
    sess = tf.InteractiveSession()
    tf.global_variables_initializer().run()
    tf.train.start_queue_runners()
    ###
    for step in range(max_steps):
        start_time = time.time()
        image_batch,label_batch = sess.run([images_train,labels_train])
        _, loss_value = sess.run([train_op, loss],feed_dict={image_holder: image_batch, 
                                                         label_holder:label_batch})
        duration = time.time() - start_time
        if step % 10 == 0:
            examples_per_sec = batch_size / duration
            sec_per_batch = float(duration)

            format_str = ('step %d, loss = %.2f (%.1f examples/sec; %.3f sec/batch)')
            print(format_str % (step, loss_value, examples_per_sec, sec_per_batch))

    ###
    num_examples = 10000
    import math
    num_iter = int(math.ceil(num_examples / batch_size))
    true_count = 0  
    total_sample_count = num_iter * batch_size
    step = 0
    while step < num_iter:
        image_batch,label_batch = sess.run([images_test,labels_test])
        predictions = sess.run([top_k_op],feed_dict={image_holder: image_batch,
                                                 label_holder:label_batch})
        true_count += np.sum(predictions)
        step += 1
    precision = true_count / total_sample_count
    print('precision @ 1 = %.3f' % precision)

 

参照他事他说加以考察资料:
《TensorFlow实战》

招待付费咨询(150元每小时),笔者的微信:qingxingfengzi

相关文章