以下内容有任何不理解可以翻看我之前的博客哦:吴恩达deeplearning.ai
在之前的博客中。我们陆续学习了各个方面的有关深度学习的内容,今天可以从头开始训练一个神经网络了。
我们使用之前用过的例子:
这个神经网络有三层,第一层拥有25个神经元,第二层15个神经元,第三层为最终输出层。
现在提供一个训练集X,一个标签Y,该如何通过代码的形式来表现呢?
#1导入工具包
import tensrflow as tf
from tensorflow.keras import Sequential
from tensorflow.keras.layers import Dense
#2创建三个层并让Tensorflow按照顺序将几个层串联起来
model = Sequential([
Dense(units = 25, activation = 'sigmoid')
Dense(units = 15, activation = 'sigmoid')
Dense(units = 1, activation = 'sigmoid')
])
#3引入工具包,并且让损失函数使用分类交叉熵的形式
from tensorflow.keras.losses import
BinaryCrossentropy
model.compile(loss = BinaryCrossentropy())
#调用拟合函数,epoch代表训练次数
model.fit(X, Y, epochs=100)
让我们先复习一下之前的内容,如何实现逻辑回归的:
第一步,如何在给定输入特征X和参数W,b的情况下计算输出(定义模型),我们这里经常使用的是sigmoid函数。
第二步,指定损失函数与成本函数
第三步,训练模型,最小化J(w,b)
让我们在训练神经网络的背景下来看看这几步:
#1导入工具包
import tensrflow as tf
from tensorflow.keras import Sequential
from tensorflow.keras.layers import Dense
#2创建三个层并让Tensorflow按照顺序将几个层串联起来
model = Sequential([
Dense(units = 25, activation = 'sigmoid')
Dense(units = 15, activation = 'sigmoid')
Dense(units = 1, activation = 'sigmoid')
])
这几段代码说明了神经网络的整个架构体系,告诉你第一层有25个神经元,第二层有15个神经元,第三层一个,采用的激活函数均为sigmoid。
再写一遍 损失函数的一般数学表达式:
J
(
W
,
B
)
=
1
m
∑
L
(
f
(
x
(
i
)
,
y
(
i
)
)
J(W,B) = \frac{1}{m}\sum L(f(x^{(i)},y^{(i)})
J(W,B)=m1∑L(f(x(i),y(i))
#3引入工具包,并且让损失函数使用分类交叉熵的形式
from tensorflow.keras.losses import
BinaryCrossentropy
model.compile(loss = BinaryCrossentropy())
这个名叫keras的工具包其实是和tensorflow是完全不同的两个项目开发的,只是最后合入了tensorflow,所有它的工具包需要你单独import。另外,由于工具包的种类真的很多,所以不知道工具包的名字和使用方法时可以上网查找哦。
我们在之前的博客中,曾经学习过二元交叉熵(这是统计学上的叫法),二元的意思是说明这是个布尔值,要么为1要么为0.只是在之前的博客中不叫这个名字,而是为了能够在一个式子之中写出价代价函数:
L
(
f
(
x
)
,
y
)
=
−
y
l
o
g
(
f
(
x
)
)
−
(
1
−
y
)
l
o
g
(
(
1
−
f
(
x
)
)
L(f(x),y) = -ylog(f(x)) - (1-y)log((1-f(x))
L(f(x),y)=−ylog(f(x))−(1−y)log((1−f(x))
在制定了损失函数之后,Tensorflow就知道了你是希望最小化m个训练的平均值。
如果你是想解决其它类型的问题例如回归问题,你可以给tensorflow指定其它种类的损失函数:
from tensorflow.keras.losses import MeanSquareError
model.compile(loss = MeanSquareError())
这是最小化平方误差损失的损失函数。
梯度下降时,你需要重复公式:
w
=
w
−
α
∂
∂
w
j
J
(
w
,
b
)
b
=
b
−
α
∂
∂
b
j
J
(
w
,
b
)
w = w - \alpha\frac{\partial}{\partial w_j}J(w,b)\\ b = b - \alpha\frac{\partial}{\partial b_j}J(w,b)
w=w−α∂wj∂J(w,b)b=b−α∂bj∂J(w,b)
#调用拟合函数,epoch代表训练次数
model.fit(X, Y, epochs=100)
Tensorflow使用的是一种叫做反向传播的算法来计算这些偏导数项,只是在函数model.fit中完成的,并告诉它这样迭代100次。
很明显我们现在的代码严重依赖于Tensorflow库,随着技术的发展,大部分工程师都会使用库而非自己重头编起。现在你已经了解了如何自己训练一个神经网络了,在接下来的博客中我们讲讲到一些你可以改变的地方,使得你的神经网络更加强大。
为了给读者你造成不必要的麻烦,博主的所有视频都没开仅粉丝可见,如果想要阅读我的其他博客,可以点个小小的关注哦。