设备层、网络层、数据操作层、图总结层、API层、应用层,设备层、互联网层、数据操作层、图总括层、API层、应用层新匍京视频在线

系统架构。
自底向上,设备层、互连网层、数据操作层、图总计层、API层、应用层。主题层,设备层、网络层、数据操作层、图计算层。最下层是网络通讯层和配备管理层。
互联网通讯层包括g卡宴PC(google Remote Procedure Call
Protocol)和长距离间接数据存取(Remote Direct Memory
Access,PAJERODMA),分布式统计需要。设备管理层包手包蕴TensorFlow分别在CPU、GPU、FPGA等设备上的完毕。对上层提供联合接口,上层只需处理卷积等逻辑,不需求关心硬件上卷积落成进度。
多少操作层包蕴卷积函数、激活函数等操作。
图总括层包括地点计算图和分布式统计图完结(图创立、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、图总结层、API层、应用层。宗旨层,设备层、网络层、数据操作层、图总计层。最下层是网络通讯层和配备管理层。
网络通讯层包罗g汉兰达PC(google Remote Procedure Call
Protocol)和长距离间接数据存取(Remote Direct Memory
Access,陆风X8DMA),分布式计算须要。设备管理层包手包涵TensorFlow分别在CPU、GPU、FPGA等设备上的兑现。对上层提供联合接口,上层只需处理卷积等逻辑,不要求关怀硬件上卷积落成过程。
数据操作层包罗卷积函数、激活函数等操作。
图总计层包括地面计算图和分布式总结图达成(图创制、编译、优化、执行)。

应用层:锻练相关类库、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
图统计层:分布式计算图、本地统计图
数码操作层:Const、Var、Matmul、Conv2D、Relu、Queue
网络层:gPRC、RDMA
设备层:CPU、GPU

应用层:陶冶相关类库、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
数据操作层:Const、Var、Matmul、Conv2D、Relu、Queue
网络层:gPRC、RDMA
设备层:CPU、GPU

规划意见。
图定义、图运行完全分开。符号主义。命令式编程(imperative style
programming),依照编写逻辑顺序执行,易于明白调试。符号式编程(symbolic
style
programming),嵌入、优化,不易精通调试,运行速度快。Torch命令式,Caffe、MXNet混合,TensorFlow完全符号式。符号式总结,先定义各类变量,建立数量流图,规定变量计算关系,编译数据流图,那时还只是空壳,只有把多少输入,模型才能形成数据流,才有输出值。
TensorFlow运算在多少流图中,图运行只发生在对话(session)中。开启对话,数据填充节点,运算。关闭对话,不只怕测算。会话提供操作运行和Tensor求值环境。

统筹意见。
图定义、图运行完全分离。符号主义。命令式编程(imperative style
programming),按照编写逻辑顺序执行,易于明白调试。符号式编程(symbolic
style
programming),嵌入、优化,不易明白调试,运行速度快。Torch命令式,Caffe、MXNet混合,TensorFlow完全符号式。符号式统计,先定义各类变量,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,只有把多少输入,模型才能形成数据流,才有输出值。
TensorFlow运算在多少流图中,图运行只发生在对话(session)中。开启对话,数据填充节点,运算。关闭对话,不或者测算。会话提供操作运行和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)#展开矩阵乘法,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。创制数量流图(网络布局图)。TensorFlow运行规律,图中含有输入(input)、塑形(reshape)、Relu层(Relu
layer)、Logit层(Logit layer)、Softmax、交叉熵(cross
entropy)、梯度(gradient)、SGD陶冶(SGD Trainer),不难回归模型。
计量进程,从输入初步,经过塑形,一层一层前向传播运算。Relu层(隐藏层)有七个参数,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),学习多少个参数Wsm、bsm。用Softmax统计输出结果各样项目几率分布。用交叉熵度量源样本可能率分布和出口结果几率分布之间相似性。总结梯度,须要参数Wh1、bh1、Wsm、bsm、交叉熵结果。SGD陶冶,反向传播,从上往下统计每层参数,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)组成有向无环图(directed
acycline
graph,DAG)。TensorFlwo由Tensor和Flow两片段组成。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用数据流图做总结。创制数量流图(互联网布局图)。TensorFlow运行规律,图中带有输入(input)、塑形(reshape)、Relu层(Relu
layer)、Logit层(Logit layer)、Softmax、交叉熵(cross
entropy)、梯度(gradient)、SGD锻练(SGD Trainer),不难回归模型。
测算进度,从输入开端,经过塑形,一层一层前向传播运算。Relu层(隐藏层)有多少个参数,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),学习八个参数Wsm、bsm。用Softmax计算输出结果各种档次几率分布。用交叉熵度量源样本可能率分布和输出结果几率分布之间相似性。计算梯度,需求参数Wh1、bh1、Wsm、bsm、交叉熵结果。SGD练习,反向传播,从上往下总结每层参数,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两部分组成。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

边。数据正视、控制正视。实线边表示数据看重,代表数量,张量(任意维度的数量)。机器学习算法,张量在数据流图以前未来流动,前向传来(forword
propagation)。残差(实际观望值与操练推测值的差),从后向前流动,反向传播(backword
propagation)。虚线边表示控制依赖(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头实施前成功实施。
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位有记号整型
DT_INT32 tf.int32 32位有标志整型
DT_INT16 tf.int16 16位有号子整型
DT_INT8 tf.int8 8位有记号整型
DT_UINT8 tf.uint8 8位无符号整型
DT_ST奇骏ING tf.tring 要变长度字节数组,每一张量成分是一字节数组
DT_BOOL tf.bool 布尔型
DT_COMPLEX64 tf.complex64 三个32位浮点数组成复数,实部、虚部
DT_QINT32 tf.qint32
量化操作32位有标志整型,信号延续取值或大气只怕离散取值,近似为有限三个或较少离散值
DT_QINT8 tf.qint8 量化操作8位有号子整型
DT_QUINT8 tf.quint8 量化操作8位无符号整型
图和张量已毕源代码:tensorflow-1.1.0/tensorflow/python/framework/ops.py

边。数据器重、控制倚重。实线边表示数据依赖,代表数量,张量(任意维度的数目)。机器学习算法,张量在数量流图从前以后流动,前向传播(forword
propagation)。残差(实际寓目值与教练估量值的差),从后向前流动,反向传播(backword
propagation)。虚线边表示控制重视(control
dependency),控制操作运行,确保happens-before关系,边上没有数量流过,源节点必须在目的节点早先举办前成功实施。
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位有号子整型
DT_INT8 tf.int8 8位有记号整型
DT_UINT8 tf.uint8 8位无符号整型
DT_ST卡宴ING 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 三个32位浮点数组成复数,实部、虚部
DT_QINT32 tf.qint32
量化操作32位有标志整型,信号三番五次取值或大气恐怕离散取值,近似为有限三个或较少离散值
DT_QINT8 tf.qint8 量化操作8位有号子整型
DT_QUINT8 tf.quint8 量化操作8位无符号整型
图和张量达成源代码: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,也足以代表数据输入(feed
in)起源和出口(push out)终点,可能读取、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完结算子(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,逐个函数调用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/下核函数落成
数组运算操作 Concat、Slice、Split、Constant、Rank、Shape、Shuffle……
tensorflow-1.1.0/tensorflow/python/ops/array_ops.py,各个函数调用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/下核函数完毕
矩阵运算操作 MatMul、MatrixInverse、MatrixDeterminant……
有状态操作 Variable、Assign、AssignAdd……
神经互连网构建操作 Soft马克斯、Sigmoid、ReLU、Convolution2D、马克斯Pool……
检查点操作 Save、Restore
队列和同步操作 Enqueue、Dequeue、MutexAcquire、MutexRelease……
控制张量流动操作 Merge、Switch、Enter、Leave、NextIteration

节点。算子。代表一个操作(operation,OP)。表示数学运算,也可以表示数据输入(feed
in)源点和出口(push out)终点,大概读取、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完结算子(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,各个函数调用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/下核函数已毕
数组运算操作 Concat、Slice、Split、Constant、Rank、Shape、Shuffle……
tensorflow-1.1.0/tensorflow/python/ops/array_ops.py,各个函数调用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/下核函数完毕
矩阵运算操作 MatMul、MatrixInverse、MatrixDeterminant……
有景况操作 Variable、Assign、AssignAdd……
神经互联网创设操作 Soft马克斯、Sigmoid、ReLU、Convolution2D、MaxPool……
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

图。操作任务描述成有向无环图。成立各样节点。

图。操作任务描述成有向无环图。创立各类节点。

import tensorflow as tf
#开创一个常量运算操作,发生一个1×2矩阵
matrix1 = tf.constant([[3.,3.]])
#创建此外一个常量运算操作,爆发一个2×1矩阵
matrix2 = tf.constant([[2.],[2.]])
#开创一个矩阵乘法运算,把matrix1和matrix2作为输入
#回去值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。启动图第一步成立一个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类成立并运行操作。

对话。启动图第一步创造一个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类创立并运行操作。

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)。重临结果类型依照输入类型而定,取回(fetch)。
对话是图交互桥梁,一个对话可以有八个图,会话可以修改图结构,可以后图流入数据测算。会话多个API:Extend(图添加节点、边)、Run(输入总括节点和和填充须要数据,运算,输出运算结果)。
会话源代码: tensorflow-1.1.0/tensorflow/python/client/session.py

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

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

调用Session对象run()方法执行图,传入Tensor,填充(feed)。重临结果类型依据输入类型而定,取回(fetch)。
对话是图交互桥梁,一个对话可以有多个图,会话可以修改图结构,可今后图流入数据统计。会话八个API:Extend(图添加节点、边)、Run(输入总结节点和和填充须要数据,运算,输出运算结果)。
会话源代码: tensorflow-1.1.0/tensorflow/python/client/session.py

变量(variable)。特殊数据。图中有一定地点,不流动。tf.Variable()构造函数。开首值形状、类型。

设备(device)。一块用作运算、拥有自身地址空间的硬件。CPU、GPU。TensorFlow能够提定操作在哪个设备举办。with
tf.device(“/gpu:1”): 。

#创办一个变量,初叶化为标量0
state = tf.Variable(0,name=”counter”)
创立常量张量:

变量(variable)。特殊数据。图中有一定地方,不流动。tf.Variable()构造函数。开端值形状、类型。

state = tf.constant(3.0)
填充机制。打造图用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。调用甘休,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

创制常量张量:

根本。操作(operation),抽象操作统称。内核(kernel),运行在一定设备(CPU、GPU)上操作的贯彻。同一操作或许对应多个水源。自定义操作,新操作和根本注册添加到系统。

state = tf.constant(3.0)

常用API。
图。TensorFlow计算表现为数据流图。tf.Graph类包蕴一各类总计操作对象(tf.Operation)和操作间流动数量张量对象(tf.Tensor)。
操作 描述
tf.Graph.__init__() 创制一个空图
tf.Graph.as_default()
将某图设置为默许图,重临一个上下文管理器。不展现添加专擅承认图,系统自动安装全局默许图。模块范围内定义节点都参与私自认同图
tf.Graph.device(device_name_or_function)
定义运行图所使用设备,再次回到上下文管理器
tf.Graph.name_scope(name) 为节点成立层次化名称,再次回到上下方管理器

填充机制。营造图用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。调用为止,填充数据流失。

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 操作看重
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

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,不包含操作输出值,提供在tf.Session中计算值方法。操作间创设数据流连接,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() 重返使用张量操作列表
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 设置总计张量设备

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

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类在目录创建事件文件,向文件添加摘要、事件,在TensorBoard显示。
操作 描述
tf.summary.FileWriter.__init__(logdir,graph=None,max_queue=10,
flush_secs=120,graph_def=None)
创设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

基础。操作(operation),抽象操作统称。内核(kernel),运行在特定设备(CPU、GPU)上操作的兑现。同一操作可能对应七个基础。自定义操作,新操作和水源注册添加到系统。

变量效能域。
TensorFlow五个功效域(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)#由此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(暗许为False,不或然得用),variable_scope功效域只可以创建新变量。tf.get_variable_scope().reuse==True,功效域共享变量,with
tf.variable_scope(name,reuse=True),或scope.reuse_variables()。
tf.variable_scope()获取变量成效域。开户变量效用域使用从前先行定义功能域,跳过当前变量效率域,保持预先存在功用域不变。
变量功效域可以暗中同意教导一个初步化器。子作用域或变量可以继续或重写父成效域初阶化器值。
op_name在variable_scope功能域操作,会增加前缀。
variable_scope首要用在循环神经网络(瑞鹰NN)操作,多量共享变量。
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()创造变量。影响用Variable()创制变量。给操作加名字前缀。

常用API。
图。TensorFlow计算表现为数据流图。tf.Graph类包罗一多重计算操作对象(tf.Operation)和操作间流动数量张量对象(tf.Tensor)。
操作 描述
tf.Graph.init() 成立一个空图
tf.Graph.as_default()
将某图设置为暗中同意图,重回一个上下文管理器。不出示添加暗许图,系统活动安装全局暗中同意图。模块范围内定义节点都投入暗中认同图
tf.Graph.device(device_name_or_function)
定义运行图所运用设备,再次回到上下文管理器
tf.Graph.name_scope(name) 为节点创设层次化名称,重返上下方管理器

批标准化。batch normalization,BN。优化梯度弥散问题(vanishing gradient
problem)。
计算机器学习,ICS(Internal Covariate Shift)理论,源域(source
domain)和目的域(target
domain)数据分布一致。训练多少和测试数据满足相同分布。是由此磨练多少得到模型在测试集拿到好功用的基本保证。Covariate
Shift,训练集样本数据和目标集分布不一致,训练模型无法很好泛化(generalization)。源域和指标域条件几率一样,边缘可能率不相同。神经互联网各层输出,经层内操作,各层输出分布与输入信号分布差异,差别随网络加深变大,但每层指向样本标记(label)不变。解决,依据操练样本和目的样本比例校对磨练样本。引入批标准化规范化层输入(数据按百分比缩放,落入小特定区间,数据去平均值,除以标准差),固定每层输入信号均值、方差。
艺术。批标准化通过规范化激活函数分布在线性区间,加大梯度,模型梯度下落。加大探索步长,加快收敛速度。更便于跳出局地最小值。破坏原数据分布,缓解过拟合。解决神经互连网收敛速度慢或梯度爆炸(gradient
explode,梯度分外大,链式求导乘积变得很大,权重过大,爆发指数级爆炸)。

tf.Operaiotn类代表图中节点,用于总计张量数据。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 操作重视
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

#计算Wx_plus_b均值方差,axes=[0]条件维度
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,不分包操作输出值,提供在tf.Session中总括值方法。操作间创设数据流连接,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 爆发张量操作
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() 再次来到表示张量形状(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。
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类在目录创设事件文件,向文件添加摘要、事件,在TensorBoard体现。
操作 描述
tf.summary.FileWriter.init(logdir,graph=None,max_queue=10,
flush_secs=120,graph_def=None)
创立FileWriter和事件文件,logdir中创设新事件文件
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

激活函数。activation
function,运行时激活神经互联网某有些神经元,激活消息向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。神经互连网数学基础四处可微,选择激活函数保险输入输出可微。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,单调两次三番,适合营输出层,求导简单。软饱和性,输入落入饱和区,f'(x)变得接近0,简单爆发梯度消失。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左边硬饱和激活函数。梯度消失,更新模型参数,选拔链式求导法则反向求导,越往前梯度越小。最终结果到达一定深度后梯度对模型更新没有此外进献。
tanh函数。软饱和性,输出0为主干,收敛速度比sigmoid快。也无从缓解梯度消失。
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时保险梯度不衰减,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,权重不能立异,神经元仙逝。TensorFlow
relu6,min(max(features,0))
,tf.nn.relu6(features,name=None)。crelu,tf.nn.crelu(features,name=None)

dropout函数。神经元以几率keep_prob决定是不是被压制。假诺被压制,神经元就输出0,否则输出被停放原来的1/keep_prob倍。神经元是不是被防止,暗许相互独立。noise_shape调节,noise_shape[i]==shape(x)[i],x中成分互相独立。shape(x)=[k,l,m,n],x维度顺序批、行、列、通道。noise_shape=[k,1,1,n],批、通道相互独立,行、列数据涉嫌,都为0,或原值。故事集中最早做法,锻练中几率p摒弃。预测中,参数按百分比减少,乘p。框架完结,反向ropout代替dropout,训练中一头dropout,再按百分比放大,即乘以1/p,预测中不做任何处理。
激活函数选拔。输入数据特征相差显著,用tanh,循环进程不断增加特征效果呈现。特征相差不明显,用sigmoid。sigmoid、tanh,须求输入规范化,否则激活后值全体进来平坦区,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。

变量功能域。
TensorFlow八个成效域(scope),name_scope(给op_name加前缀),variable_scope(给variable_name、op_name加前缀)。
variable_scope变量成效域机制:
v =
tf.get_variable(name,shape,dtype,initializer)#经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(暗中认可为False,不只怕得用),variable_scope成效域只能够创造新变量。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()获取变量成效域。开户变量效能域使用此前先行定义作用域,跳过当前变量功用域,保持预先存在成效域不变。
变量作用域可以私行认同指导一个早先化器。子成效域或变量可以一连或重写父成效域起初化器值。
op_name在variable_scope效率域操作,会增进前缀。
variable_scope紧要用在循环神经网络(EnclaveNN)操作,多量共享变量。
name_scope。划分变量范围,可视化中表示在统计图一个层级。name_scope影响op_name,不影响用get_variable()创造变量。影响用Variable()创造变量。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) 总括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、输出数据维度差距。use_cudnn_on_gpu
,可选布尔值,暗中同意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函数将不一样卷积核独立运用在in_channels各种通道上,再把持有结果汇总。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)
用多少个分别卷积核做卷积。用二维卷积核在各样通道上,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,增加卷积。
tf.nn.conv2d_transpose(value,filter,output_shape,strides,padding=’SAME’,
data_format=’NHWC’,name=None),解卷积互连网(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),总括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)计算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)。

批标准化。batch normalization,BN。优化梯度弥散难点(vanishing gradient
problem)。
计算机器学习,ICS(Internal Covariate Shift)理论,源域(source
domain)和目标域(target
domain)数据分布一致。训练多少和测试数据知足相同分布。是由此陶冶多少拿到模型在测试集拿到好功能的基本保险。Covariate
Shift,陶冶集样本数据和目标集分布不相同等,操练模型不可以很好泛化(generalization)。源域和目的域条件可能率一样,边缘几率不一致。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相同,差别随网络加深变大,但每层指向样本标记(label)不变。消除,依照陶冶样本和对象样本比例矫正练习样本。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。
方式。批标准化通过规范化激活函数分布在线性区间,加大梯度,模型梯度降低。加大追究步长,加速收敛速度。更便于跳出局地最小值。破坏原数据分布,缓解过拟合。消除神经互联网收敛速度慢或梯度爆炸(gradient
explode,梯度分外大,链式求导乘积变得很大,权重过大,爆发指数级爆炸)。

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,每一种矩阵窗口中的值通过取最大值或平均值来压缩成分个数。各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)统计池化区域成分平均值。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,长度不低于4整型数组,批定滑动窗口在输入数据张量每一维上的大幅度。padding,字符串,SAME或VALID。data_format,’NHWC’,输入张量维度顺序,N个数,H中度,W宽度,C通道数(路虎极光GB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)计算池化区域成分最大值。
tf.nn.max_pool_with_argmax(input,ksize,strides,padding,Targmax=None,
name=None),总结池化区域成分最大值和所在地方。总计地方agrmax,input铺平。如input=[b,y,x,c],索引地点((b*height+y)*width+x)*channels+c。只能够在GPU运行。重回张量元组(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。

#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用最终一层输入。输出,loss
[batch_size,num_classes]。如作损失函数,神经网络最终一层不须要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
逐个样本交叉熵。
tf.nn.sparse_softmax_cross_entropy_with_logits(logits,labels,name=None)。logits神经互联网最终一层结果。输入,logits
[batch_size,num_classes],labels
[batch_size],必须在[0,num_classes]。输出,loss
[batch_size],保存batch 逐个样本交叉熵。

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

优化措施。加快操练优化措施,多数依照梯度下落。梯度下落求函数极值。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,批梯度下跌。利用现有参数对训练集每一种输入生成一个估算输出yi。跟实际输出yi相比较,总结所有误差,求平均以后得到平均误差,以此更新参数。迭代历程,提取操练集中具有内容{x1,…,xn},相关输出yi
。计算梯度和误差,更新参数。使用具有练习多少计算,保障没有,不必要逐步裁减学习率。每一步都必要使用所有练习多少,速度更是慢。
SDG法。stochastic gradient
descent,随机梯度下落。数据集拆分成一个个批次(batch),随机抽取一个批次统计,更新参数,MBGD(minibatch
gradient
descent)。每一回迭代测算mini-batch梯度,更新参数。训练多少集很大,还可以较快速度消亡。抽取不可幸免梯度误差,需求手动调整学习率(learning
rate)。选取切合学习率比较费力。想对常并发特点更新速度快,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简单收敛到有些最优,可能被困在鞍点。
Momentum法。模拟物管理学动量概念。更新时在自然水准保留从前更新方向,当前批次再微调本次更新参数,引入新变量v(速度),作为前四遍梯度累加。Momentum更新学习率,在下落初期,前后梯度方向一致时,加快学习,在下滑中中期,在一些最小值附近期回震荡时,抑制震荡,加快收敛。
Nesterov Momentum法。Ilya
Sutskever,Nesterov。标准Momentum法,先统计一个梯度,在通宵达旦立异梯度方向大跳跃。Nesterov法,先在原本加速梯度方向大跳跃,再在该岗位总括梯度值,用这些梯度值更正最后更新方向。
Adagrad法。自适应为顺序参数分配不同学习率,控制各种维度梯度方向。完毕学习率自动更改。本次更新梯度大,学习率衰减快,否则慢。
艾达delta法。Adagrad法,学习单调递减,操练前期学习率相当小,须求手动设置一个大局伊始学习率。Adadelta法用一阶方法,近似模拟二阶牛顿法,解决难点。
KoleosMSprop法。引入一个衰减周全,每次合都衰减一定比例。对循环神经网络(LX570NN)效果很好。
Adam法。自适应矩推断(adaptive moment
estimation)。Adam法依照损失函数针对各种参数梯度一阶矩估量和二阶矩揣摸动态调整逐个参数学习率。矩估摸,利用样本矩推断完整相应参数。一个即兴变量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。
主意比较。Karpathy在MNIST数据集发现规律:不调整参数,Adagrad法比SGD法、Momentum法更安宁、品质更优。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》。

神经元函数优化措施。

参考资料:
《TensorFlow技术解析与实战》

激活函数。activation
function,运行时激活神经互连网某部分神经元,激活新闻向后传出下层神经网络。出席非线性因素,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。神经互连网数学基础遍地可微,接纳激活函数保障输入输出可微。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,单调再而三,适协作输出层,求导不难。软饱和性,输入落入饱和区,f'(x)变得接近0,不难发生梯度消失。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左边硬饱和激活函数。梯度消失,更新模型参数,采取链式求导法则反向求导,越往前梯度越小。最后结出到达一定深度后梯度对模型更新没有其余贡献。
tanh函数。软饱和性,输出0为主导,收敛速度比sigmoid快。也惊惶失措化解梯度消失。
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时保持梯度不衰减,缓解梯度消失,更快收敛,提供神经网络稀疏表达能力。部分输入落到硬饱和区,权重不可以立异,神经元谢世。TensorFlow
relu6,min(max(features,0))
,tf.nn.relu6(features,name=None)。crelu,tf.nn.crelu(features,name=None)

dropout函数。神经元以可能率keep_prob决定是不是被压制。即使被压制,神经元就输出0,否则输出被置于原来的1/keep_prob倍。神经元是或不是被抑制,暗许相互独立。noise_shape调节,noise_shape[i]==shape(x)[i],x中成分相互独立。shape(x)=[k,l,m,n],x维度顺序批、行、列、通道。noise_shape=[k,1,1,n],批、通道相互独立,行、列数据涉嫌,都为0,或原值。诗歌中最早做法,陶冶中几率p屏弃。预测中,参数按百分比减弱,乘p。框架完成,反向ropout代替dropout,磨练中一头dropout,再按百分比放大,即乘以1/p,预测中不做其余处理。
激活函数接纳。输入数据特征相差显明,用tanh,循环进度不断增添特征效果突显。特征相差不明确,用sigmoid。sigmoid、tanh,需求输入规范化,否则激活后值全体跻身平坦区,隐层输出全部趋同,丧失原有风味表明。relu会好过多,有时能够不做输入规范化。85%-90%神经互连网都用ReLU。10-15%用tanh。

迎接付费咨询(150元每小时),作者的微信: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) 总结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、输出数据维度不相同。use_cudnn_on_gpu
,可选布尔值,暗中认可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函数将差距卷积核独立行使在in_channels每一种通道上,再把拥有结果汇总。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)
用多少个分别卷积核做卷积。用二维卷积核在种种通道上,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)总括Atrous卷积,孔卷积,扩大卷积。
tf.nn.conv2d_transpose(value,filter,output_shape,strides,padding=’SAME’,
data_format=’NHWC’,name=None),解卷积互连网(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)总括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],必须保险strides[0]=strides[4]=1。
tf.nn.conv3d_transpose(value,filter,output_shape,strides,padding=’SAME’,
name=None)。

池化函数。神经互连网,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,逐个矩阵窗口中的值通过取最大值或平均值来裁减成分个数。每一种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)统计池化区域成分平均值。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幅度。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(奥迪Q7GB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)统计池化区域成分最大值。
tf.nn.max_pool_with_argmax(input,ksize,strides,padding,Targmax=None,
name=None),计算池化区域成分最大值和所在地方。统计地方agrmax,input铺平。如input=[b,y,x,c],索引地点((bheight+y)width+x)*channels+c。只好在GPU运行。再次来到张量元组(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用最后一层输入。输出,loss
[batch_size,num_classes]。如作损失函数,神经互连网最后一层不须要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
每一个样本交叉熵。
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 逐个样本交叉熵。

优化措施。加快陶冶优化措施,多数基于梯度降低。梯度下跌求函数极值。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,批梯度下跌。利用现有参数对训练集每种输入生成一个推断输出yi。跟实际输出yi相比较,计算所有误差,求平均未来得到平均误差,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。使用所有练习多少总括,保障没有,不必要逐步回落学习率。每一步都须要使用所有练习多少,速度更是慢。
SDG法。stochastic gradient
descent,随机梯度降低。数据集拆分成一个个批次(batch),随机抽取一个批次统计,更新参数,MBGD(minibatch
gradient
descent)。每趟迭代测算mini-batch梯度,更新参数。练习多少集很大,仍是可以较火速度消亡。抽取不可幸免梯度误差,需求手动调整学习率(learning
rate)。采用切合学习率相比较艰难。想对常并发特点更新速度快,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不难收敛到有些最优,恐怕被困在鞍点。
Momentum法。模拟物法学动量概念。更新时在自然水准保留以前更新方向,当前批次再微调这一次更新参数,引入新变量v(速度),作为前一回梯度累加。Momentum更新学习率,在减低初期,前后梯度方向一致时,增加速度学习,在回落中中期,在部分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,先总括一个梯度,在加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,再在该任务统计梯度值,用这么些梯度值更正最后更新方向。
Adagrad法。自适应为种种参数分配差距学习率,控制各个维度梯度方向。完毕学习率自动更改。本次更新梯度大,学习率衰减快,否则慢。
Adadelta法。艾达grad法,学习单调递减,磨练后期学习率分外小,须求手动设置一个大局早先学习率。Adadelta法用一阶方法,近似模拟二阶牛顿法,消除难点。
OdysseyMSprop法。引入一个衰减周全,每三遍合都衰减一定比例。对循环神经网络(福特ExplorerNN)效果很好。
Adam法。自适应矩预计(adaptive moment
estimation)。Adam法根据损失函数针对每一个参数梯度一阶矩估摸和二阶矩估算动态调整每一种参数学习率。矩估摸,利用样本矩算计全体相应参数。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。
主意相比较。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、质量更优。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》

欢迎付费咨询(150元每时辰),笔者的微信:qingxingfengzi

相关文章