设备层、网络层、数据操作层、图统计层、API层、应用层,设备层、网络层、数据操作层、图总结层、API层、应用层

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。主旨层,设备层、网络层、数据操作层、图总括层。最下层是网络通信层和装备管理层。
网络通信层包括gRPC(google Remote Procedure Call
Protocol)和长距离直接数据存取(Remote Direct Memory
Access,RDMA),分布式统计需要。设备管理层包手包括TensorFlow分别在CPU、GPU、FPGA等设施上的兑现。对上层提供联合接口,上层只需处理卷积等逻辑,不需要关怀硬件上卷积实现过程。
数量操作层包括卷积函数、激活函数等操作。
图统计层包括地面总结图和分布式计算图实现(图创设、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。主题层,设备层、网络层、数据操作层、图统计层。最下层是网络通信层和装备管理层。
网络通信层包括gRPC(google Remote Procedure Call
Protocol)和长途间接数据存取(Remote Direct Memory
Access,RDMA),分布式总结需要。设备管理层包手包括TensorFlow分别在CPU、GPU、FPGA等设施上的实现。对上层提供统一接口,上层只需处理卷积等逻辑,不需要关爱硬件上卷积实现过程。
数量操作层包括卷积函数、激活函数等操作。
图总计层包括当地统计图和分布式统计图实现(图成立、编译、优化、执行)。

应用层:操练相关类库、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
图总结层:分布式总结图、本地总结图
数量操作层: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
图总括层:分布式总结图、本地总结图
数码操作层:Const、Var、Matmul、Conv2D、Relu、Queue
网络层:gPRC、RDMA
设备层:CPU、GPU

设计理念。
图定义、图运行完全分离。符号主义。命令式编程(imperative style
programming),依据编写逻辑顺序执行,易于精晓调试。符号式编程(symbolic
style
programming),嵌入、优化,不易精晓调试,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,规定变量统计关系,编译数据流图,这时还只是空壳,只有把多少输入,模型才能形成数据流,才有输出值。
TensorFlow运算在数据流图中,图运行只暴发在对话(session)中。开启对话,数据填充节点,运算。关闭对话,不可能测算。会话提供操作运行和Tensor求值环境。

计划意见。
图定义、图运行完全分开。符号主义。命令式编程(imperative style
programming),遵照编写逻辑顺序执行,易于领悟调试。符号式编程(symbolic
style
programming),嵌入、优化,不易领会调试,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,规定变量统计关系,编译数据流图,这时还只是空壳,只有把多少输入,模型才能形成数据流,才有输出值。
TensorFlow运算在数量流图中,图运行只暴发在对话(session)中。开启对话,数据填充节点,运算。关闭对话,不可以测算。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)#拓展矩阵乘法,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用数据流图做统计。创造数量流图(网络布局图)。TensorFlow运行规律,图中富含输入(input)、塑形(reshape)、Relu层(Relu
layer)、Logit层(Logit layer)、Softmax、交叉熵(cross
entropy)、梯度(gradient)、SGD锻练(SGD Trainer),简单回归模型。
算算过程,从输入最先,经过塑形,一层一层前向传播运算。Relu层(隐藏层)有四个参数,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统计输出结果各类档次概率分布。用交叉熵度量源样本概率分布和出口结果概率分布之间相似性。总结梯度,需要参数Wh1、bh1、Wsm、bsm、交叉熵结果。SGD训练,反向传播,从上往下总结每层参数,依次更新。总计更新顺序,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用数据流图做统计。创造数量流图(网络布局图)。TensorFlow运行规律,图中富含输入(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。
算算过程,从输入最先,经过塑形,一层一层前向传播运算。Relu层(隐藏层)有五个参数,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),学习五个参数Wsm、bsm。用Softmax总计输出结果各种门类概率分布。用交叉熵度量源样本概率分布和出口结果概率分布之间相似性。统计梯度,需要参数Wh1、bh1、Wsm、bsm、交叉熵结果。SGD磨炼,反向传播,从上往下总计每层参数,依次更新。统计更新顺序,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两有些构成。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

边。数据看重、控制信赖。实线边表示数据依赖,代表数量,张量(任意维度的多少)。机器学习算法,张量在数量流图以前以后流动,前向传播(forword
propagation)。残差(实际观察值与教练估量值的差),从后向前流动,反向传播(backword
propagation)。虚线边表示控制看重(control
dependency),控制操作运行,确保happens-before关系,边上没有多少流过,源节点必须在目标节点起头执行前形成实施。
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位有号子整型
DT_INT16 tf.int16 16位有记号整型
DT_INT8 tf.int8 8位有标志整型
DT_UINT8 tf.uint8 8位无符号整型
DT_STRING 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 六个32位浮点数组成复数,实部、虚部
DT_QINT32 tf.qint32
量化操作32位有号子整型,信号连续取值或大气或者离散取值,近似为零星五个或较少离散值
DT_QINT8 tf.qint8 量化操作8位有标志整型
DT_QUINT8 tf.quint8 量化操作8位无符号整型
图和张量实现源代码:tensorflow-1.1.0/tensorflow/python/framework/ops.py

边。数据依赖、控制依赖。实线边表示数据信赖,代表数量,张量(任意维度的数码)。机器学习算法,张量在数码流图以前以后流动,前向传来(forword
propagation)。残差(实际观看值与教练估摸值的差),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端推行前完成实施。
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位有号子整型
DT_INT32 tf.int32 32位有记号整型
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_STRING 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 六个32位浮点数组成复数,实部、虚部
DT_QINT32 tf.qint32
量化操作32位有记号整型,信号连续取值或大气可能离散取值,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,也足以代表数据输入(feed
in)起点和输出(push out)终点,或者读取、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……
有事态操作 Variable、Assign、AssignAdd……
神经网络构建操作 Soft马克斯(Max)、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……
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,也可以表示数据输入(feed
in)起点和出口(push out)终点,或者读取、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……
有情形操作 Variable、Assign、AssignAdd……
神经网络构建操作 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……
操纵张量流动操作 Merge、Switch、Enter、Leave、NextIteration

图。操作任务描述成有向无环图。创设各类节点。

图。操作任务描述成有向无环图。创立各个节点。

import tensorflow as tf
#成立一个常量运算操作,暴发一个1×2矩阵
matrix1 = tf.constant([[3.,3.]])
#创制此外一个常量运算操作,爆发一个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
#回到值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,生成一张空图,会话添加节点和边,形成图,执行。tf.Session类创设并运行操作。

对话。启动图第一步创设一个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)。再次回到结果类型依据输入类型而定,取回(fetch)。
对话是图交互桥梁,一个对话可以有四个图,会话可以修改图结构,可以往图流入数据测算。会话四个API:Extend(图添加节点、边)、Run(输入总括节点和和填充必要数据,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

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

调用Session对象run()方法执行图,传入Tensor,填充(feed)。再次回到结果类型依照输入类型而定,取回(fetch)。
对话是图交互桥梁,一个会话可以有多少个图,会话可以修改图结构,可以往图流入数据测算。会话多少个API:Extend(图添加节点、边)、Run(输入总结节点和和填充必要数据,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。图中有定位地方,不流动。tf.Variable()构造函数。起先值形状、类型。

装备(device)。一块用作运算、拥有自己地址空间的硬件。CPU、GPU。TensorFlow可以提定操作在哪个设备进行。with
tf.device(“/gpu:1”): 。

#开创一个变量,开始化为标量0
state = tf.Variable(0,name=”counter”)
创办常量张量:

变量(variable)。特殊数据。图中有稳定地方,不流动。tf.Variable()构造函数。先导值形状、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。调用截至,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

开创常量张量:

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。同一操作可能对应六个基础。自定义操作,新操作和基础注册添加到系统。

state = tf.constant(3.0)

常用API。
图。TensorFlow总括表现为多少流图。tf.Graph类包含一多级统计操作对象(tf.Operation)和操作间流动数量张量对象(tf.Tensor)。
操作 描述
tf.Graph.__init__() 制造一个空图
tf.Graph.as_default()将某图设置为默认图,重回一个上下文管理器。不出示添加默认图,系统自动安装全局默认图。模块范围内定义节点都插手默认图
tf.Graph.device(device_name_or_function)
定义运行图所使用设备,再次来到上下文管理器
tf.Graph.name_scope(name) 为节点创造层次化名称,重回上下方管理器

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。调用为止,填充数据流失。

tf.Operaiotn类代表图中节点,用于总结张量数据。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,不含有操作输出值,提供在tf.Session中统计值方法。操作间构建数据流连接,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 爆发张量操作
tf.Tensor.consumers() 再次来到使用张量操作列表
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 设置总结张量设备

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

可视化。
在先后中给节点添加摘要(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类在目录创造事件文件,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)
创造FileWriter和事件文件,logdir中创制新事件文件
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)上操作的贯彻。同一操作可能对应四个水源。自定义操作,新操作和基本注册添加到系统。

变量功用域。
TensorFlow六个功用域(scope),name_scope(给op_name加前缀),variable_scope(给variable_name、op_name加前缀)。
variable_scope变量效用域机制:
v =
tf.get_variable(name,shape,dtype,initializer)#由此名字创办或再次回到变量
tf.variable_scope(<scope_name>)#给变量指定命名空间
tf.get_variable_scope().reuse==False(默认为False,无法得用),variable_scope成效域只好创制新变量。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()获取变量效率域。开户变量效能域使用此前先行定义效用域,跳过当前变量成效域,保持预先存在功用域不变。
变量成效域可以默认指引一个开首化器。子功效域或变量可以继承或重写父效用域起首化器值。
op_name在variable_scope功效域操作,会添加前缀。
variable_scope首要用在循环神经网络(RNN)操作,大量共享变量。
name_scope。划分变量范围,可视化中象征在总括图一个层级。name_scope影响op_name,不影响用get_variable()成立变量。影响用Variable()创制变量。给操作加名字前缀。

常用API。
图。TensorFlow总结表现为多少流图。tf.Graph类包含一多级总结操作对象(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()将某图设置为默认图,重回一个上下文管理器。不显得添加默认图,系统自动安装全局默认图。模块范围内定义节点都参与默认图
tf.Graph.device(device_name_or_function)
定义运行图所采纳设备,再次来到上下文管理器
tf.Graph.name_scope(name) 为节点创设层次化名称,再次回到上下方管理器

批标准化。batch normalization,BN。优化梯度弥散问题(vanishing gradient
problem)。
总计机器学习,ICS(Internal Covariate Shift)理论,源域(source
domain)和目的域(target
domain)数据分布一致。磨练多少和测试数据知足相同分布。是因而训练多少拿到模型在测试集拿到好效用的基本保障。Covariate
Shift,训练集样本数据和对象集分布不一致,磨炼模型不可能很好泛化(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,差距随网络加深变大,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矫正磨练样本。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。
方法。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。加大追究步长,加快收敛速度。更便于跳出局部最小值。破坏原数据分布,缓解过拟合。解决神经网络收敛速度慢或梯度爆炸(gradient
explode,梯度相当大,链式求导乘积变得很大,权重过大,发生指数级爆炸)。

tf.Operaiotn类代表图中节点,用于总结张量数据。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 操作倚重
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]规则维度
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,不带有操作输出值,提供在tf.Session中总计值方法。操作间构建数据流连接,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 发生张量操作
tf.Tensor.consumers() 再次来到使用张量操作列表
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() 重返表示张量形状(维度)类TensorShape
tf.Tensor.set_shape(shape) 更新张量形状
tf.Tensor.device 设置总结张量设备

神经元函数优化措施。

可视化。
在先后中给节点添加摘要(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类在目录创立事件文件,向文件添加摘要、事件,在TensorBoard展现。
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

激活函数。activation
function,运行时激活神经网络某有些神经元,激活信息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。神经网络数学基础处处可微,选用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,容易生出梯度消失。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左边硬饱和激活函数。梯度消失,更新模型参数,选用链式求导法则反向求导,越往前梯度越小。最后结果到达一定深度后梯度对模型更新没有另外进献。
tanh函数。软饱和性,输出0为中央,收敛速度比sigmoid快。也无能为力解决梯度消失。
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明能力。部分输入落到硬饱和区,权重不可能改进,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决定是否被扼杀。如若被避免,神经元就输出0,否则输出被内置原来的1/keep_prob倍。神经元是否被压制,默认互相独立。noise_shape调节,noise_shape[i]==shape(x)[i],x中元素互相独立。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。杂文中最早做法,训练中概率p遗弃。预测中,参数按百分比裁减,乘p。框架实现,反向ropout代替dropout,磨练中一头dropout,再按百分比放大,即乘以1/p,预测中不做其他处理。
激活函数选取。输入数据特征相差显著,用tanh,循环过程不断扩大特征效果显示。特征相差不明了,用sigmoid。sigmoid、tanh,需要输入规范化,否则激活后值全体进入平坦区,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。

变量功用域。
TensorFlow多少个功效域(scope),name_scope(给op_name加前缀),variable_scope(给variable_name、op_name加前缀)。
variable_scope变量功用域机制:
v =
tf.get_variable(name,shape,dtype,initializer)#通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(默认为False,不可以得用),variable_scope功用域只可以创立新变量。tf.get_variable_scope().reuse==True,效能域共享变量,with
tf.variable_scope(name,reuse=True),或scope.reuse_variables()。
tf.variable_scope()获取变量效率域。开户变量成效域使用从前先行定义功用域,跳过当前变量功能域,保持预先存在功效域不变。
变量功用域可以默认指点一个开头化器。子效能域或变量可以连续或重写父功用域起首化器值。
op_name在variable_scope效能域操作,会助长前缀。
variable_scope紧要用在循环神经网络(RNN)操作,大量共享变量。
name_scope。划分变量范围,可视化中象征在统计图一个层级。name_scope影响op_name,不影响用get_variable()成立变量。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) 统计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,拿到卷积结果。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、输出数据维度不同。use_cudnn_on_gpu
,可选布尔值,默认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函数将不同卷积核独立使用在in_channels每个通道上,再把具备结果汇总。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)总结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),总结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)总结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。优化梯度弥散问题(vanishing gradient
problem)。
总计机器学习,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。是经过锻练多少拿到模型在测试集拿到好效果的基本保障。Covariate
Shift,磨炼集样本数据和对象集分布不相同,操练模型不能很好泛化(generalization)。源域和目的域条件概率一样,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,差距随网络加深变大,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。
方法。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。加大探索步长,加快收敛速度。更便于跳出局部最小值。破坏原数据分布,缓解过拟合。解决神经网络收敛速度慢或梯度爆炸(gradient
explode,梯度非常大,链式求导乘积变得很大,权重过大,发生指数级爆炸)。

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,每个矩阵窗口中的值通过取最大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,遵照步长strides移动。
tf.nn.avg_pool(value,ksize,strides,padding,data_format=’NHWC’,name=None)统计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宽窄。padding,字符串,SAME或VALID。data_format,’NHWC’,输入张量维度顺序,N个数,H低度,W宽度,C通道数(RGB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)总计池化区域元素最大值。
tf.nn.max_pool_with_argmax(input,ksize,strides,padding,Targmax=None,
name=None),总括池化区域元素最大值和所在地点。总计地方agrmax,input铺平。如input=[b,y,x,c],索引地方((b*height+y)*width+x)*channels+c。只可以在GPU运行。重临张量元组(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用末了一层输入。输出,loss
[batch_size,num_classes]。如作损失函数,神经网络最终一层不需要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 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。加速操练优化措施,多数遵照梯度下降。梯度下降求函数极值。学习最后求损失函数极值。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相比较,总括所有误差,求平均将来得到平均误差,以此更新参数。迭代过程,提取磨练集中具有情节{x1,…,xn},相关输出yi
。总括梯度和误差,更新参数。使用具有磨炼多少测算,保证没有,不需要渐渐缩短学习率。每一步都亟需运用具有训练多少,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),随机抽取一个批次总括,更新参数,MBGD(minibatch
gradient
descent)。每便迭代计量mini-batch梯度,更新参数。锻炼多少集很大,仍是可以较快速度流失。抽取不可避免梯度误差,需要手动调整学习率(learning
rate)。采用符合学习率比较劳顿。想对常现身特点更新速度快,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容易收敛到有些最优,可能被困在鞍点。
Momentum法。模拟物医学动量概念。更新时在肯定程度保留此前更新方向,当前批次再微调这一次更新参数,引入新变量v(速度),作为前两回梯度累加。Momentum更新学习率,在下滑初期,前后梯度方向一致时,加速学习,在下降中中期,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,先总结一个梯度,在增速改进梯度方向大跳跃。Nesterov法,先在原先加速梯度方向大跳跃,再在该职位总计梯度值,用那么些梯度值修正最后更新方向。
Adagrad法。自适应为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。这一次更新梯度大,学习率衰减快,否则慢。
艾达delta法。Adagrad法,学习单调递减,练习中期学习率非凡小,需要手动设置一个大局起始学习率。Adadelta法用一阶方法,近似模拟二阶牛顿(Newton)法,解决问题。
RMSprop法。引入一个衰减周详,每三次合都衰减一定比重。对循环神经网络(RNN)效果很好。
Adam法。自适应矩算计(adaptive moment
estimation)。Adam法按照损失函数针对每个参数梯度一阶矩估量和二阶矩估算动态调整每个参数学习率。矩估算,利用样本矩预计全体相应参数。一个擅自变量X遵守某种分布,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法更安宁、性能更优。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,运行时激活神经网络某部分神经元,激活音讯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。神经网络数学基础处处可微,选择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,采纳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其他进献。
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时保全梯度不衰减,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,权重无法改进,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。尽管被压制,神经元就输出0,否则输出被内置原来的1/keep_prob倍。神经元是否被抑制,默认互相独立。noise_shape调节,noise_shape[i]==shape(x)[i],x中元素互相独立。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。杂文中最早做法,训练中概率p放弃。预测中,参数按百分比裁减,乘p。框架实现,反向ropout代替dropout,练习中一头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。输入数据特征相差彰着,用tanh,循环过程不断扩充特征效果显示。特征相差不分明,用sigmoid。sigmoid、tanh,需要输入规范化,否则激活后值全部进来平坦区,隐层输出全体趋同,丧失原有风味表明。relu会好广大,有时可以不做输入规范化。85%-90%神经网络都用ReLU。10-15%用tanh。

迎接付费咨询(150元每时辰),我的微信: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、输出数据维度不同。use_cudnn_on_gpu
,可选布尔值,默认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函数将不同卷积核独立运用在in_channels每个通道上,再把所有结果汇总。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。用二维卷积核在各种通道上,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)总计Atrous卷积,孔卷积,扩充卷积。
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),统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],必须确保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,每个矩阵窗口中的值通过取最大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,遵照步长strides移动。
tf.nn.avg_pool(value,ksize,strides,padding,data_format=’NHWC’,name=None)统计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增幅。padding,字符串,SAME或VALID。data_format,’NHWC’,输入张量维度顺序,N个数,H低度,W宽度,C通道数(RGB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)总结池化区域元素最大值。
tf.nn.max_pool_with_argmax(input,ksize,strides,padding,Targmax=None,
name=None),总结池化区域元素最大值和所在地方。总括地点agrmax,input铺平。如input=[b,y,x,c],索引地点((bheight+y)width+x)*channels+c。只可以在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。

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需要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 每个样本交叉熵。

优化措施。加速磨练优化措施,多数按照梯度下降。梯度下降求函数极值。学习最终求损失函数极值。TensorFlow提供许多优化器(optimizer)。
BGD法。bat gradient
descent,批梯度下降。利用现有参数对锻炼集每个输入生成一个估价输出yi。跟实际输出yi相比,总结所有误差,求平均以后拿到平均误差,以此更新参数。迭代过程,提取操练集中具有内容{x1,…,xn},相关输出yi
。统计梯度和误差,更新参数。使用所有操练多少测算,保证没有,不需要逐渐回落学习率。每一步都亟需运用具有磨练多少,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),随机抽取一个批次统计,更新参数,MBGD(minibatch
gradient
descent)。每一次迭代计量mini-batch梯度,更新参数。锻练多少集很大,仍是可以较快捷度流失。抽取不可避免梯度误差,需要手动调整学习率(learning
rate)。采取符合学习率比较辛劳。想对常出现特点更新速度快,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容易收敛到部分最优,可能被困在鞍点。
Momentum法。模拟物教育学动量概念。更新时在自然水准保留从前更新方向,当前批次再微调这一次更新参数,引入新变量v(速度),作为前三回梯度累加。Momentum更新学习率,在下跌初期,前后梯度方向一致时,加速学习,在下滑中中期,在部分最小值附如今回震荡时,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,在加紧革新梯度方向大跳跃。Nesterov法,先在原先加速梯度方向大跳跃,再在该职务统计梯度值,用那么些梯度值修正最后更新方向。
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。
艾达delta法。Adagrad法,学习单调递减,练习先前时期学习率非常小,需要手动设置一个大局开首学习率。Adadelta法用一阶方法,近似模拟二阶牛顿(牛顿(Newton))法,解决问题。
RMSprop法。引入一个衰减全面,每两回合都衰减一定比例。对循环神经网络(RNN)效果很好。
艾达m法。自适应矩揣测(adaptive moment
estimation)。Adam法依照损失函数针对每个参数梯度一阶矩估摸和二阶矩揣测动态调整每个参数学习率。矩臆想,利用样本矩估计全部相应参数。一个擅自变量X遵守某种分布,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。
方法比较。Karpathy在MNIST数据集发现规律:不调整参数,艾达grad法比SGD法、Momentum法更安宁、性能更优。精调参数,精调SGD法、Momentum法收敛速度和准确性优于艾达(Ada)grad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元每刻钟),我的微信:qingxingfengzi

相关文章