学习笔记TF048:TensorFlow 系统架构、设计理念、编程模型、API、作用域、批标准化、神经元函数优化。学习笔记TF048:TensorFlow 系统架构、设计理念、编程模型、API、作用域、批标准化、神经元函数优化。

系架构。
自底向上,设备层、网络层、数据操作层、图计算层、API层、应用层。核心层,设备层、网络层、数据操作层、图计算层。最下层是网通信层和配备管理层。
网通信层包括gRPC(google Remote Procedure Call
Protocol)和长途直接数据存取(Remote Direct Memory
Access,RDMA),分布式计算需要。设备管理层包手包括TensorFlow分别在CPU、GPU、FPGA等设施及之落实。对上层提供合接口,上层只需要处理卷积等逻辑,不需关怀硬件上卷积实现过程。
多少操作层包括卷积函数、激活函数等操作。
希冀计算层包括地方计算图和分布式计算图落实(图创建、编译、优化、执行)。

系统架构。
自底向上,设备层、网络层、数据操作层、图计算层、API层、应用层。核心层,设备层、网络层、数据操作层、图计算层。最下层是网通信层和装备管理层。
网通信层包括gRPC(google Remote Procedure Call
Protocol)和长途直接数据存取(Remote Direct Memory
Access,RDMA),分布式计算需要。设备管理层包手包括TensorFlow分别在CPU、GPU、FPGA等设施上的实现。对上层提供合接口,上层只需要处理卷积等逻辑,不待关注硬件及卷积实现过程。
数据操作层包括卷积函数、激活函数等操作。
贪图计算层包括地面计算图和分布式计算图落实(图创建、编译、优化、执行)。

应用层:训练相关类库、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
贪图计算层:分布式计算图、本地计算图
数码操作层:Const、Var、Matmul、Conv2D、Relu、Queue
网络层:gPRC、RDMA
设备层:CPU、GPU

应用层:训练相关类库、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
图计算层:分布式计算图、本地计算图
数操作层:Const、Var、Matmul、Conv2D、Relu、Queue
网络层:gPRC、RDMA
设备层:CPU、GPU

筹意见。
贪图定义、图运行了分开。符号主义。命令式编程(imperative style
programming),按照编写逻辑顺序执行,易于掌握调试。符号式编程(symbolic
style
programming),嵌入、优化,不易理解调试,运行速度快。Torch命令式,Caffe、MXNet混合,TensorFlow完全符号式。符号式计算,先定义各种变量,建立数量流图,规定变量计算关系,编译数据流图,这时还就是空壳,只有把数量输入,模型才会形成数据流,才有输出值。
TensorFlow运算在多少流图中,图运行就来在对话(session)中。开启对话,数据填充节点,运算。关闭对话,无法测算。会话提供操作运行和Tensor求值环境。

筹意见。
贪图定义、图运行了分开。符号主义。命令式编程(imperative style
programming),按照编写逻辑顺序执行,易于掌握调试。符号式编程(symbolic
style
programming),嵌入、优化,不易理解调试,运行速度快。Torch命令式,Caffe、MXNet混合,TensorFlow完全符号式。符号式计算,先定义各种变量,建立数量流图,规定变量计算关系,编译数据流图,这时还仅仅是空壳,只有把多少输入,模型才会形成数据流,才发出输出值。
TensorFlow运算在多少流图中,图运行就来在对话(session)中。开启对话,数据填节点,运算。关闭对话,无法测算。会话提供操作运行与Tensor求值环境。

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)#开展矩阵乘法,输出[3.,8.]
sess.close()

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)#进行矩阵乘法,输出[3.,8.]
sess.close()

编程模型。
TensorFlow用数据流图做计算。创建数量流图(网络布局图)。TensorFlow运行原理,图备受含有输入(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。
计过程,从输入开始,经过塑形,一重合一交汇前于传播运算。Relu层(隐藏层)有零星只参数,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),学习半只参数Wsm、bsm。用Softmax计算输出结果各个门类概率分布。用交叉熵度量源样本概率分布和输出结果概率分布之间相似性。计算梯度,需要参数Wh1、bh1、Wsm、bsm、交叉熵结果。SGD训练,反向传播,从达到为生计算每层参数,依次更新。计算更新顺序,bsm、Wsm、bh1、Wh1。
TensorFlow,张量流动。TensorFlow数据流图由节点(node)、边(edge)组成起向无环图(directed
acycline
graph,DAG)。TensorFlwo由Tensor和Flow两有的构成。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

编程模型。
TensorFlow用数据流图做计算。创建数量流图(网络布局图)。TensorFlow运行规律,图被含输入(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。
算过程,从输入开始,经过塑形,一重叠一叠前望传来运算。Relu层(隐藏层)有三三两两独参数,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),学习半只参数Wsm、bsm。用Softmax计算输出结果各个项目概率分布。用交叉熵度量源样本概率分布和输出结果概率分布之间相似性。计算梯度,需要参数Wh1、bh1、Wsm、bsm、交叉熵结果。SGD训练,反向传播,从达成为生计算每层参数,依次更新。计算更新顺序,bsm、Wsm、bh1、Wh1。
TensorFlow,张量流动。TensorFlow数据流图由节点(node)、边(edge)组成起往无环图(directed
acycline
graph,DAG)。TensorFlwo由Tensor和Flow两组成部分组成。Tensor(张量),数据流图的限度。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

边。数据因、控制因。实线边表示数据据,代表数量,张量(任意维度的数量)。机器上算法,张量在数额流图从赴后流动,前向传播(forword
propagation)。残差(实际观察值与教练估计值的不等),从后向前流动,反向传播(backword
propagation)。虚线边表示控制因(control
dependency),控制操作运行,确保happens-before关系,边上没有数据流过,源节点必须于目的节点开始实行前成功实施。
TensorFlow张量数据性:
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号产生号子整型
DT_INT32 tf.int32 32各类有标志整型
DT_INT16 tf.int16 16各来号整型
DT_INT8 tf.int8 8个生号子整型
DT_UINT8 tf.uint8 8位无符号整型
DT_STRING tf.tring 要换长字节数组,每一样张量元素是如出一辙配节约数组
DT_BOOL tf.bool 布尔型
DT_COMPLEX64 tf.complex64 两独32各浮点数组成复数,实部、虚部
DT_QINT32 tf.qint32
量化操作32位生号子整型,信号连续取值或大气可能离散取值,近似为简单多单或比少离散值
DT_QINT8 tf.qint8 量化操作8员来记号整型
DT_QUINT8 tf.quint8 量化操作8各类无符号整型
祈求以及张量实现源代码:tensorflow-1.1.0/tensorflow/python/framework/ops.py

边。数据因、控制因。实线边表示数据因,代表数量,张量(任意维度的数目)。机器上算法,张量以数量流图从去后流动,前奔传播(forword
propagation)。残差(实际观察值与训练估计值的例外),从后向前流动,反向传播(backword
propagation)。虚线边表示控制因(control
dependency),控制操作运行,确保happens-before关系,边上没有数据流过,源节点必须在目的节点开始推行前就实施。
TensorFlow张量数据性:
数据类型 Python类型 描述
DT_FLOAT tf.float32 32各类浮点型
DT_DOUBLE tf.float64 64各浮点型
DT_INT64 tf.int64 64个产生记号整型
DT_INT32 tf.int32 32位有号整型
DT_INT16 tf.int16 16各类产生记号整型
DT_INT8 tf.int8 8各项生标志整型
DT_UINT8 tf.uint8 8个无符号整型
DT_STRING tf.tring 要变长字节数组,每一样张量元素是一样许节约数组
DT_BOOL tf.bool 布尔型
DT_COMPLEX64 tf.complex64 两单32各项浮点数组成复数,实部、虚部
DT_QINT32 tf.qint32
量化操作32个有号整型,信号连续取值或大气或者离散取值,近似为少多只或比较少去散值
DT_QINT8 tf.qint8 量化操作8各项来号整型
DT_QUINT8 tf.quint8 量化操作8各无符号整型
希冀与张量实现源代码: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,也堪象征数据输入(feed
in)起点与出口(push out)终点,或者读取、写副持久变量(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……
出状态操作 Variable、Assign、AssignAdd……
神经网络构建操作 SoftMax、Sigmoid、ReLU、Convolution2D、MaxPool……
检查点操作 Save、Restore
队列和同步操作 Enqueue、Dequeue、MutexAcquire、MutexRelease……
操纵张量流动操作 Merge、Switch、Enter、Leave、NextIteration

节点。算子。代表一个操作(operation,OP)。表示数学运算,也可代表数据输入(feed
in)起点和输出(push out)终点,或者读取、写副持久变量(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……
来状态操作 Variable、Assign、AssignAdd……
神经网络构建操作 SoftMax、Sigmoid、ReLU、Convolution2D、MaxPool……
检查点操作 Save、Restore
列和同步操作 Enqueue、Dequeue、MutexAcquire、MutexRelease……
支配张量流动操作 Merge、Switch、Enter、Leave、NextIteration

贪图。操作任务描述成有于无环图。创建各个节点。

祈求。操作任务描述成有往无环图。创建各个节点。

import tensorflow as tf
#始建一个常量运算操作,产生一个1×2矩阵
matrix1 = tf.constant([[3.,3.]])
#创立另外一个常量运算操作,产生一个2×1矩阵
matrix2 = tf.constant([[2.],[2.]])
#创建一个矩阵乘法运算,把matrix1和matrix2作为输入
#归来值product代表矩阵乘法结果
product = tf.matmul(matrix2,matrix2)

import tensorflow as tf
#创建一个常量运算操作,产生一个1x2矩阵
matrix1 = tf.constant([[3.,3.]])
#创建另外一个常量运算操作,产生一个2x1矩阵
matrix2 = tf.constant([[2.],[2.]])
#创建一个矩阵乘法运算,把matrix1和matrix2作为输入
#返回值product代表矩阵乘法结果
product = tf.matmul(matrix2,matrix2)

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,生成一布置空图,会讲话添加节点和限,形成图,执行。tf.Session类创建并运行操作。

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,生成一摆放空图,会讲话添加节点和限,形成图,执行。tf.Session类创建并运行操作。

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)。返回结果类型因输入型而定,取回(fetch)。
对话是祈求交互桥梁,一个对话可以来差不多独图,会话可以修改图结构,可以通往图流入数据测算。会话两单API:Extend(图上加节点、边)、Run(输入计算节点和及填充必要数据,运算,输出运算结果)。
见面话源代码: tensorflow-1.1.0/tensorflow/python/client/session.py

with tf.Session as sess:
    result = sess.run([product])
    print result

设施(device)。一块用作运算、拥有自己地址空间的硬件。CPU、GPU。TensorFlow可以提定操作以谁设备实行。with
tf.device(“/gpu:1”): 。

调用Session对象run()方法执行图,传入Tensor,填充(feed)。返回结果类型因输入型而定,取回(fetch)。
对话是祈求交互桥梁,一个会话可以来差不多只图,会话可以改图结构,可以于图流入数据测算。会话两个API:Extend(图上加节点、边)、Run(输入计算节点和与填充必要数据,运算,输出运算结果)。
会晤话源代码: tensorflow-1.1.0/tensorflow/python/client/session.py

变量(variable)。特殊数据。图被发生稳定位置,不流动。tf.Variable()构造函数。初始值形状、类型。

配备(device)。一片用作运算、拥有自己地址空间的硬件。CPU、GPU。TensorFlow可以提定操作以谁设备实行。with
tf.device(“/gpu:1”): 。

#创一个变量,初始化为标量0
state = tf.Variable(0,name=”counter”)
始建常量张量:

变量(variable)。特殊数据。图备受生出定位位置,不流。tf.Variable()构造函数。初始值形状、类型。

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。调用了,填充数据流失。

#创建一个变量,初始化为标量0
state = tf.Variable(0,name="counter")

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

创建常量张量:

根本。操作(operation),抽象操作统称。内核(kernel),运行在特定设备(CPU、GPU)上操作的落实。同一操作可能针对承诺多只基本。自定义操作,新操作及根本注册添加到网。

state = tf.constant(3.0)

常用API。
祈求。TensorFlow计算表现吧数流图。tf.Graph类包含一系列计算操作对象(tf.Operation)和操作间流动数量张量对象(tf.Tensor)。
操作 描述
tf.Graph.__init__() 创建一个空图
tf.Graph.as_default()
将某图设置为默认图,返回一个上下文管理器。不形添加默认图,系统活动安装全局默认图。模块范围外定义节点都投入默认图
tf.Graph.device(device_name_or_function)
定义运行图所用设备,返回上下文管理器
tf.Graph.name_scope(name) 为节点创建层次化名称,返回上下方管理器

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。调用了,填充数据没有。

tf.Operaiotn类代表图备受节点,用于计算张量数据。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 操作依赖
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

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.]})

tf.Tensor类,操作输出符号句柄,不含操作输出值,提供在tf.Session中计算值方法。操作间构建数据流连接,TensorFlow能免执行大气步多算图形。
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 产生张量操作
tf.Tensor.consumers() 返回下张量操作列表
tf.Tensor.eval(feed_dict=None,session=None)
会话中要张量值,使用sess.as_default()、eval(session=sess)
tf.Tensor.get_shape() 返回表示张量形状(维度)类TensorShape
tf.Tensor.set_shape(shape) 更新张量形状
tf.Tensor.device 设置计算张量设备

变量源代码: tensorflow-1.1.0/tensorflow/python/ops/variables.py

可视化。
于先后中被节点添加摘要(summary),摘要收集节点数据,标记步数、时间戳标识,写副事件文件(event
file)。tf.summary.FileWriter类在目录创建事件文件,向文件添加摘要、事件,在TensorBoard展示。
操作 描述
tf.summary.FileWriter.__init__(logdir,graph=None,max_queue=10,
flush_secs=120,graph_def=None)
创建FileWriter和波文件,logdir中创造新事件文件
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)
事件文件上加图
tf.summary.FileWriter.get_logdir() 事件文件路径
tf.summary.FileWriter.flush() 所有事件上勾画副磁盘
tf.summary.FileWriter.close() 事件写副磁盘,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

基本。操作(operation),抽象操作统称。内核(kernel),运行于一定设备(CPU、GPU)上操作的实现。同一操作可能对诺多独基础。自定义操作,新操作以及本注册添加到网。

变量作用域。
TensorFlow两只作用域(scope),name_scope(给op_name加前缀),variable_scope(给variable_name、op_name加前缀)。
variable_scope变量作用域机制:
v =
tf.get_variable(name,shape,dtype,initializer)#通过名字创办或者回到变量
tf.variable_scope(<scope_name>)#让变量指定命名空间
tf.get_variable_scope().reuse==False(默认也False,不克得用),variable_scope作用域只能创造新变量。tf.get_variable_scope().reuse==True,作用域共享变量,with
tf.variable_scope(name,reuse=True),或scope.reuse_variables()。
tf.variable_scope()获取变量作用域。开户变量作用域使用前先行定义作用域,跳了手上变量作用域,保持预先在作用域不转移。
变量作用域可以默认携带一个初始化器。子作用域或变量可以继承或再次写父作用域初始化器值。
op_name在variable_scope作用域操作,会助长前缀。
variable_scope主要用当循环神经网络(RNN)操作,大量共享变量。
name_scope。划分变量范围,可视化中意味着以计算图一个层级。name_scope影响op_name,不影响用get_variable()创建变量。影响用Variable()创建变量。给操作加名字前缀。

常用API。
图。TensorFlow计算表现吗数量流图。tf.Graph类包含一多级计算操作对象(tf.Operation)和操作间流动数量张量对象(tf.Tensor)。
操作 描述
tf.Graph.init() 创建一个空图
tf.Graph.as_default()
将某图设置也默认图,返回一个上下文管理器。不显添加默认图,系统自动装全局默认图。模块范围外定义节点都入默认图
tf.Graph.device(device_name_or_function)
定义运行图所采取设备,返回上下文管理器
tf.Graph.name_scope(name) 为节点创建层次化名称,返回上下方管理器

批标准化。batch normalization,BN。优化梯度弥散问题(vanishing gradient
problem)。
统计机器上,ICS(Internal Covariate Shift)理论,源域(source
domain)和目标域(target
domain)数据分布一致。训练多少以及测试数据满足相同分布。是通过训练多少获得模型在测试集获得好成效的基本保障。Covariate
Shift,训练集样本数以及目标集分布不相同,训练模型无法充分好泛化(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,差异随网络加深变死,但每层指向样本标记(label)不更换。解决,根据训练样本和目标样本比例矫正训练样本。引入批标准化规范化层输入(数据以百分比缩放,落入小特定区间,数据去平均值,除以标准差),固定每层输入信号全值、方差。
道。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。加大追究宽,加快收敛速度。更爱跳出局部最小值。破坏原数据分布,缓解了拟合。解决神经网络收敛速度缓慢或者梯度爆炸(gradient
explode,梯度非常深,链式求导乘积变得够呛充分,权重过大,产生指数级爆炸)。

tf.Operaiotn类代表图中节点,用于计算张量数据。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 操作依赖
tf.Operation.run(feed_dict=None,session=None) 在对话中运作操作
tf.Operation.get_attr(name) 获取操作属性值

#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。

tf.Tensor类,操作输出符号句柄,不包含操作输出值,提供于tf.Session中计算值方法。操作中构建数据流连接,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 产生张量操作
tf.Tensor.consumers() 返回下张量操作列表
tf.Tensor.eval(feed_dict=None,session=None)
会话被要张量值,使用sess.as_default()、eval(session=sess)
tf.Tensor.get_shape() 返回表示张量形状(维度)类TensorShape
tf.Tensor.set_shape(shape) 更新张量形状
tf.Tensor.device 设置计算张量设备

神经元函数优化措施。

可视化。
每当程序中为节点添加摘要(summary),摘要收集节点数据,标记步数、时间穿标识,写副事件文件(event
file)。tf.summary.FileWriter类在目录创建事件文件,向文件添加摘要、事件,在TensorBoard展示。
操作 描述
tf.summary.FileWriter.init(logdir,graph=None,max_queue=10,
flush_secs=120,graph_def=None)
创建FileWriter和波文件,logdir中开创新事件文件
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)
事件文件上加图
tf.summary.FileWriter.get_logdir() 事件文件路径
tf.summary.FileWriter.flush() 所有事件上描绘副磁盘
tf.summary.FileWriter.close() 事件写副磁盘,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

激活函数。activation
function,运行时激活神经网络某片神经元,激活信息为后传下层神经网络。加入非线性因素,弥补线性模型表达力,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,选取激活函数保证输入输出可微。激活函数不移输入数据维度,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,输出及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,容易出梯度消失。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,采用链式求导法则相反往求导,越为前方梯度越聊。最终结果达一定深度后梯度对范更新没有其它贡献。
tanh函数。软饱和性,输出0为核心,收敛速度比较sigmoid快。也束手无策缓解梯度消失。
relu函数。最给欢迎。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时维持梯度不衰减,缓解梯度消失,更快磨,提供神经网络稀疏表达能力。部分输入落至硬饱和区,权重无法创新,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决定是否被压制。如果给遏制,神经元就输出0,否则输出为放到原来的1/keep_prob倍。神经元是否受杀,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、通道互相独立,行、列数据涉嫌,都为0,或原值。论文中极早做法,训练中概率p丢弃。预测中,参数按百分比缩小,乘p。框架实现,反向ropout代替dropout,训练中单dropout,再比如百分比放大,即乘以1/p,预测中莫开另外处理。
激活函数选择。输入数据特征相差明显,用tanh,循环过程不断扩大特征效果亮。特征相差不醒目,用sigmoid。sigmoid、tanh,需要输入规范化,否则激活后价值周进平坦区,隐层输出全部趋同,丧失原有风味表达。relu会好广大,有时可以不举行输入规范化。85%-90%神经网络都用ReLU。10-15%据此tanh。

变量作用域。
TensorFlow两只作用域(scope),name_scope(给op_name加前缀),variable_scope(给variable_name、op_name加前缀)。
variable_scope变量作用域机制:
v =
tf.get_variable(name,shape,dtype,initializer)#经过名字创办或者回到变量
tf.variable_scope(<scope_name>)#给变量指定命名空间
tf.get_variable_scope().reuse==False(默认为False,不可知得用),variable_scope作用域只能创造新变量。tf.get_variable_scope().reuse==True,作用域共享变量,with
tf.variable_scope(name,reuse=True),或scope.reuse_variables()。
tf.variable_scope()获取变量作用域。开户变量作用域使用前先行定义作用域,跳了手上变量作用域,保持预先在作用域不换。
变量作用域可以默认携带一个初始化器。子作用域或变量可以持续或再写父作用域初始化器值。
op_name在variable_scope作用域操作,会加上前缀。
variable_scope主要为此当循环神经网络(RNN)操作,大量共享变量。
name_scope。划分变量范围,可视化中表示于计算图一个层级。name_scope影响op_name,不影响用get_variable()创建变量。影响用Variable()创建变量。给操作加名字前缀。

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) 计算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和季维卷积核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同样维整数种数组,每一样维度对诺input每一样维移动步数。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
,可卜布尔值,默认True。name,可挑选,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行使在in_channels每个通道及,再将拥有结果汇总。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)
用几单分别卷积核做卷积。用二维卷积核在每个通道及,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)计算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),计算给定三维输入和过滤器的同维卷积。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,卷积核向右侧走各一样步长度。
tf.nn.conv3d(input,filter,strides,padding,name=None)计算为得五维输入和过滤器的老三维卷积。input
shape多一致维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)。

批标准化。batch normalization,BN。优化梯度弥散问题(vanishing gradient
problem)。
统计机器上,ICS(Internal Covariate Shift)理论,源域(source
domain)和目标域(target
domain)数据分布一致。训练多少以及测试数据满足相同分布。是经过训练多少获得模型在测试集获得好作用的基本保障。Covariate
Shift,训练集样本数以及对象集分布不等同,训练模型无法充分好泛化(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,各层输出分布和输入信号分布不同,差异随网络加深变死,但每层指向样本标记(label)不换。解决,根据训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(数据以比例缩放,落入小特定区间,数据去平均值,除以标准差),固定每层输入信号都值、方差。
主意。批标准化通过规范化激活函数分布于线性区间,加大梯度,模型梯度下降。加大探索宽,加快收敛速度。更便于跳出局部最小价。破坏原数据分布,缓解了拟合。解决神经网络收敛速度缓慢或者梯度爆炸(gradient
explode,梯度非常大,链式求导乘积变得很非常,权重过怪,产生指数级爆炸)。

池化函数。神经网络,池化函数一般与当卷积函数下同样层,定义在tensorflow-1.1.0/tensorflow/python/ops/nn.py、gen_nn_ops.py。
池化操作,用一个矩阵窗口于张量上扫描,每个矩阵窗口中之值通过取得最好老价值或平均值来压缩元素个数。每个池化操作矩阵窗口大小ksize指定,根据步长strides移动。
tf.nn.avg_pool(value,ksize,strides,padding,data_format=’NHWC’,name=None)计算池化区域元素平均值。value,四维张量,数据维度[batch,height,width,
channels]。ksize,长度不低于4整型数组,每位值对许输入数据张量每维窗口对应值。strides,长度不低于4整型数组,批定滑动窗口以输入数据张量每一样维上的宽窄。padding,字符串,SAME或VALID。data_format,’NHWC’,输入张量维度顺序,N个数,H高度,W宽度,C通道数(RGB三通道或灰度单通道)。name,可挑选,操作名字。
tf.nn.max_pool(value,ksize,strides,padding,data_format=’NHWC’,
name=None)计算池化区域元素最要命价值。
tf.nn.max_pool_with_argmax(input,ksize,strides,padding,Targmax=None,
name=None),计算池化区域元素最酷值和所在位置。计算位置agrmax,input铺平。如input=[b,y,x,c],索引位置((b*height+y)*width+x)*channels+c。只能当GPU运行。返回张量元组(output,argmax),output池化区域最酷价值,argmax数据类型Targmax,四维。
tf.nn.avg_pool3d()、tf.nn.max_pool3d() 三维平均池化和最好充分池化。
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。

#计算Wx_plus_b均值方差,axes=[0]标准化维度
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

分类函数。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用最后一交汇输入。输出,loss
[batch_size,num_classes]。如发损失函数,神经网络最后一层不需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神经网络最后一重叠结果。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。

《Batch Normalization:Accelerating Deep Network Training by Reducing
Internal Covariate Shift》,Serger Ioffe、Christian Szegedy。

优化措施。加速训练优化措施,多数根据梯度下降。梯度下降求函数最好值。学习最后呼吁损失函数极值。TensorFlow提供许多优化器(optimizer)。
BGD法。bat gradient
descent,批梯度下降。利用现有参数对教练集每个输入生成一个量输出yi。跟实际输出yi比较,统计有误差,求平均以后获得平均误差,以此更新参数。迭代进程,提取训练集中具有内容{x1,…,xn},相关输出yi
。计算梯度和误差,更新参数。使用具有训练多少计算,保证没有,不需慢慢滑坡学习率。每一样步都急需采取具有训练多少,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),随机抽取一个批次计算,更新参数,MBGD(minibatch
gradient
descent)。每次迭代划算mini-batch梯度,更新参数。训练多少集非常酷,仍会比快速度没有。抽取不可避免梯度误差,需要手动调整学习率(learning
rate)。选择切合学习率比较艰难。想对经常出现特点更新快快,不常出现特征更新快放缓。SGD更新所有参数用同一学习率。SGD容易收敛到有最美妙,可能为累死在鞍点。
Momentum法。模拟物理学动量概念。更新时在一定水平保留之前更新方向,当前批次再度微调本次更新参数,引入新变量v(速度),作为前几乎不行梯度累加。Momentum更新学习率,在下落初期,前后梯度方向一致时,加速学习,在跌落中后期,在有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,先计算一个梯度,在加紧创新梯度方向大跳跃。Nesterov法,先在原加速梯度方向大跳跃,再以拖欠职务计算梯度值,用这个梯度值修正最终更新方向。
Adagrad法。自适应吧各个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,训练后期学习率非常小,需要手动设置一个大局初始学习率。Adadelta法用相同等方法,近似模拟二阶牛顿法,解决问题。
RMSprop法。引入一个衰减系数,每一样合都衰减一定比重。对循环神经网络(RNN)效果十分好。
Adam法。自适应矩估计(adaptive moment
estimation)。Adam法根据损失函数针对每个参数梯度一阶矩估计跟二阶矩估计动态调整每个参数学习率。矩估计,利用样本矩估计整体相应参数。一个随机变量X服从某种分布,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。
道比较。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、性能再优秀。精调参数,精调SGD法、Momentum法收敛速度以及准确性优于Adagrad法。http://sebastianruder.com/optimizing-gradient-descent/。《An
overview of gradient descent optimization algorithms》。

神经元函数优化措施。

参考资料:
《TensorFlow技术解析及实战》

激活函数。activation
function,运行时激活神经网络某部分神经元,激活信息为后传出下层神经网络。加入非线性因素,弥补线性模型表达力,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,选取激活函数保证输入输出可微。激活函数不改动输入数据维度,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,输出及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,容易有梯度消失。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,采用链式求导法则反朝求导,越往前梯度越小。最终结出到一定深度后梯度对范更新没有其他贡献。
tanh函数。软饱和性,输出0为着力,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时保梯度不衰减,缓解梯度消失,更快磨,提供神经网络稀疏表达能力。部分输入落至硬饱和区,权重无法创新,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决定是否让扼杀。如果为扼杀,神经元就输出0,否则输出为内置原来的1/keep_prob倍。神经元是否被制止,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、通道互相独立,行、列数据涉嫌,都也0,或原值。论文被最早做法,训练中概率p丢弃。预测中,参数按比例缩小,乘p。框架实现,反向ropout代替dropout,训练中一头dropout,再依比例放大,即乘以1/p,预测中未开另外处理。
激活函数选择。输入数据特征相差明显,用tanh,循环过程不断扩大特征效果亮。特征相差不显眼,用sigmoid。sigmoid、tanh,需要输入规范化,否则激活后价值周跻身平坦区,隐层输出全部趋同,丧失原有风味表达。relu会好过多,有时可以不举行输入规范化。85%-90%神经网络都用ReLU。10-15%用tanh。

接付费咨询(150最先各个小时),我之微信:qingxingfengzi

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) 计算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和季维卷积核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4一如既往维整数种数组,每一样维度对诺input每一样维移动步数。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
,可摘布尔值,默认True。name,可卜,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每个通道及,再将持有结果汇总。输出通道总数in_channelschannel_multiplier

tf.nn.separable_conv2d(input,depthwise_filter,pointwise_filter,strides,padding,rate=None,name=None,data_format=None)
用几单分别卷积核做卷积。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)计算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底转置。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),计算给定三维输入和过滤器的一律维卷积。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,卷积核向右侧走各一样步长度。
tf.nn.conv3d(input,filter,strides,padding,name=None)计算为得五维输入和过滤器的老三维卷积。input
shape多同维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],必须保证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,池化函数一般和当卷积函数下一致层,定义在tensorflow-1.1.0/tensorflow/python/ops/nn.py、gen_nn_ops.py。
池化操作,用一个矩阵窗口于张量上扫描,每个矩阵窗口中之价通过获取最好充分价值或平均值来减少元素个数。每个池化操作矩阵窗口大小ksize指定,根据步长strides移动。
tf.nn.avg_pool(value,ksize,strides,padding,data_format=’NHWC’,name=None)计算池化区域元素平均值。value,四维张量,数据维度[batch,height,width,
channels]。ksize,长度不低于4整型数组,每位值对承诺输入数据张量每维窗口对应值。strides,长度不小于4整型数组,批定滑动窗口于输入数据张量每一样维上之小幅。padding,字符串,SAME或VALID。data_format,’NHWC’,输入张量维度顺序,N个数,H高度,W宽度,C通道数(RGB三通道或灰度单通道)。name,可选取,操作名字。
tf.nn.max_pool(value,ksize,strides,padding,data_format=’NHWC’,
name=None)计算池化区域元素最要命价值。
tf.nn.max_pool_with_argmax(input,ksize,strides,padding,Targmax=None,
name=None),计算池化区域元素最酷值和所在位置。计算位置agrmax,input铺平。如input=[b,y,x,c],索引位置((bheight+y)width+x)*channels+c。只能在GPU运行。返回张量元组(output,argmax),output池化区域最老价值,argmax数据类型Targmax,四维。
tf.nn.avg_pool3d()、tf.nn.max_pool3d() 三维平均池化和极其酷池化。
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用最后一交汇输入。输出,loss
[batch_size,num_classes]。如发损失函数,神经网络最后一层不欲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神经网络最后一重叠结果。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。加速训练优化措施,多数基于梯度下降。梯度下降求函数最好值。学习最后呼吁损失函数极值。TensorFlow提供许多优化器(optimizer)。
BGD法。bat gradient
descent,批梯度下降。利用现有参数对教练集每个输入生成一个估计输出yi。跟实际输出yi比较,统计有误差,求平均以后获得平均误差,以此更新参数。迭代进程,提取训练集中具有情节{x1,…,xn},相关输出yi
。计算梯度和误差,更新参数。使用所有训练多少计算,保证没有,不待慢慢压缩学习率。每一样步都需要使用有训练多少,速度更慢。
SDG法。stochastic gradient
descent,随机梯度下降。数据集拆分成一个个批次(batch),随机抽取一个批次计算,更新参数,MBGD(minibatch
gradient
descent)。每次迭代划算mini-batch梯度,更新参数。训练多少集非常非常,仍会于快速度流失。抽取不可避免梯度误差,需要手动调整学习率(learning
rate)。选择适合学习率比较困难。想对常出现特点更新快快,不常出现特征更新快缓慢。SGD更新所有参数用同一学习率。SGD容易收敛到一些最漂亮,可能给累死在鞍点。
Momentum法。模拟物理学动量概念。更新时当定程度保留之前更新方向,当前批次再度微调本次更新参数,引入新变量v(速度),作为前几乎次等梯度累加。Momentum更新学习率,在降低初期,前后梯度方向一致时,加速学习,在减低中后期,在片最小值附近过往震荡时,抑制震荡,加快收敛。
Nesterov Momentum法。Ilya
Sutskever,Nesterov。标准Momentum法,先计算一个梯度,在加速创新梯度方向大跳跃。Nesterov法,先以本加速梯度方向大跳跃,再在该位置计算梯度值,用这梯度值修正最终更新方向。
Adagrad法。自适应吗各个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,训练后期学习率非常小,需要手动设置一个大局初始学习率。Adadelta法用相同号方法,近似模拟二阶牛顿法,解决问题。
RMSprop法。引入一个衰减系数,每一样合都衰减一定比重。对循环神经网络(RNN)效果挺好。
Adam法。自适应矩估计(adaptive moment
estimation)。Adam法根据损失函数针对每个参数梯度一阶矩估计与二阶矩估计动态调整每个参数学习率。矩估计,利用样本矩估计完整相应参数。一个随机变量X服从某种分布,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。
方法较。Karpathy在MNIST数据集发现规律:不调参数,Adagrad法比SGD法、Momentum法更平稳、性能更出色。精调参数爱博体育,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技术解析和实战》

接付费咨询(150长各个小时),我的微信:qingxingfengzi

相关文章