從前面的學(xué)習(xí)筆記中，筆者和大家一起使用了 numpy 一步一步從感知機(jī)開始到兩層網(wǎng)絡(luò)以及最后實(shí)現(xiàn)了深度神經(jīng)網(wǎng)絡(luò)的算法搭建。而后我們又討論了改善深度神經(jīng)網(wǎng)絡(luò)的基本方法，包括神經(jīng)網(wǎng)絡(luò)的正則化、參數(shù)優(yōu)化和調(diào)參等問題。這一切工作我們都是基于numpy 完成的，沒有調(diào)用任何深度學(xué)習(xí)框架。在學(xué)習(xí)深度學(xué)習(xí)的時候，一開始不讓大家直接上手框架可謂良苦用心，旨在讓大家能夠跟筆者一樣，一步一步通過 numpy 搭建神經(jīng)網(wǎng)絡(luò)的過程就是要讓你能夠更加深入的理解神經(jīng)網(wǎng)絡(luò)的架構(gòu)、基本原理和工作機(jī)制，而不是黑箱以視之。

但學(xué)習(xí)到這個階段，你已充分理解了神經(jīng)網(wǎng)絡(luò)的工作機(jī)制，馬上就要接觸更深層次的卷積神經(jīng)網(wǎng)絡(luò)（CNN）和遞歸神經(jīng)網(wǎng)絡(luò)（RNN)，依靠純手工去搭建這些復(fù)雜的神經(jīng)網(wǎng)絡(luò)恐怕并不現(xiàn)實(shí)。這時候就該深度學(xué)習(xí)框架出場了。針對深度學(xué)習(xí)，目前有很多優(yōu)秀的學(xué)習(xí)框架，比如說筆者馬上要講的 Tensorflow，微軟的 CNTK，伯克利視覺中心開發(fā)的 caffe，以及別具一格的 PyTorch 和友好易用的 keras，本系列深度學(xué)習(xí)筆記打算從 Tensorflow 開始，對三大主流易用的深度學(xué)習(xí)框架 Tensorflow、PyTorch 和 keras 進(jìn)行學(xué)習(xí)和講解。選擇這三個框架的原因在于其簡單易用、方便編程和運(yùn)行速度相對較快。

作為谷歌的深度學(xué)習(xí)框架， Tensorflow 在深度學(xué)習(xí)領(lǐng)域可謂風(fēng)頭無二。其中 Tensor 可以理解為類似于 numpy 的 N 維數(shù)組，名為張量； flow 則意味著 N 維數(shù)組的流計算，而 Tensor 的數(shù)據(jù)流計算形式則為一個計算圖的形式進(jìn)行計算。這里重點(diǎn)提一下，如果大學(xué)本科期間的線性代數(shù)忘記了的話，我勸你趕緊回去翻一翻，線性代數(shù)和矩陣論是深度學(xué)習(xí)的基礎(chǔ)，希望你能熟練掌握。

先看個簡單的例子。

importtensorflowastf#Definey_hatconstant.Setto36.y_hat=tf.constant(36,name='y_hat')
#Definey.Setto39y=tf.constant(39,name='y')#Createavariableforthelossloss=tf.Variable((y-y_hat)**2,name='loss')#Wheninitisrunlater(session.run(init)),thelossvariablewillbeinitializedandreadytobecomputedinit=tf.global_variables_initializer()#Createasessionandprinttheoutputwithtf.Session()assession:
#Initializesthevariables
session.run(init)
#Printstheloss
print(session.run(loss))

9

在上述代碼中，我們首先定義了兩個常量，然后定義了一個 loss Tensor（變量），之后對變量進(jìn)行初始化，創(chuàng)建計算會話，最后執(zhí)行會話計算并打印結(jié)果。所以我們可以看到運(yùn)行 Tensorflow 的基本機(jī)制：
創(chuàng)建一些尚未被執(zhí)行的張量——定義這些張量之間的運(yùn)算操作——初始化這些張量——創(chuàng)建會話——執(zhí)行會話

需要注意的一點(diǎn)是，創(chuàng)建會話后一定要執(zhí)行這個會話，且看下面示例：

a=tf.constant(2)
b=tf.constant(10)
c=tf.multiply(a,b)
print(c)

Tensor("Mul:0",shape=(),dtype=int32)

在上面的示例中，我們創(chuàng)建了兩個 Tensor 和 Tensor 之間的乘積運(yùn)算，但直接打印的結(jié)果卻不是我們想要看到的 20. 原因則在于這里我們沒有創(chuàng)建會話并執(zhí)行，只是打印了兩個張量運(yùn)算之后的張量。創(chuàng)建會話并執(zhí)行操作如下：

sess=tf.Session()
print(sess.run(c))

20

除了直接定義變量之外，我們還可以通過創(chuàng)建占位符變量來稍后為之賦值，然后在運(yùn)行會話中傳入一個 feed_dict ，示例如下：

x=tf.placeholder(tf.int64,name='x')
print(sess.run(2*x,feed_dict={x:3}))
sess.close()

6

相信你已經(jīng)大致明白了基于張量運(yùn)算的 Tensorflow 的底層運(yùn)行機(jī)制了?？偨Y(jié)而言就是：創(chuàng)建張量、初始化張量、創(chuàng)建會話并執(zhí)行。

下面展示幾個 Tensorflow 的神經(jīng)網(wǎng)絡(luò)計算的基礎(chǔ)函數(shù)示例。

線性函數(shù)

def linear_function():  
  """
  Implements a linear function: 
      Initializes W to be a random tensor of shape (4,3)
      Initializes X to be a random tensor of shape (3,1)
      Initializes b to be a random tensor of shape (4,1)
  Returns: 
  result -- runs the session for Y = WX + b 
  """

  np.random.seed(1)


  X = tf.constant(np.random.randn(3,1), name='X')
  W = tf.constant(np.random.randn(4,3), name='W')
  b = tf.constant(np.random.randn(4,1), name='b')
  Y = tf.add(tf.matmul(W, X), b)  # Create the session using tf.Session() and run it with sess.run(...) on the variable you want to calculate

  init = tf.global_variables_initializer() 
  sess = tf.Session()
  sess.run(init)
  result = sess.run(Y)  # close the session 
  sess.close()  
  return result

計算sigmoid函數(shù)

def sigmoid(z):  
  """
  Computes the sigmoid of z

  Arguments:
  z -- input value, scalar or vector

  Returns: 
  results -- the sigmoid of z
  """

  x = tf.placeholder(tf.float32, name='x')
  sigmoid = tf.sigmoid(x)  
  with tf.Session() as sess:
    result = sess.run(sigmoid, feed_dict={x: z})  
  return result

計算損失函數(shù)

def cost(logits, labels):  
  """
  Computes the cost using the sigmoid cross entropy

  Arguments:
  logits -- vector containing z, output of the last linear unit (before the final sigmoid activation)
  labels -- vector of labels y (1 or 0) 

  Note: What we've been calling "z" and "y" in this class are respectively called "logits" and "labels" 
  in the TensorFlow documentation. So logits will feed into z, and labels into y. 

  Returns:
  cost -- runs the session of the cost (formula (2))
  """

  # Create the placeholders for "logits" (z) and "labels" (y) (approx. 2 lines)
  z = tf.placeholder(tf.float32, name='z')
  y = tf.placeholder(tf.float32, name='y')  # Use the loss function (approx. 1 line)
  cost = tf.nn.sigmoid_cross_entropy_with_logits(logits=z, labels=y)  # Create a session (approx. 1 line). See method 1 above.
  sess = tf.Session()  # Run the session (approx. 1 line).
  sess.run(cost, feed_dict={z: logits, y: labels})  # Close the session (approx. 1 line). See method 1 above.
  sess.close()  
  return cost

one hot 編碼

def one_hot_matrix(labels, C):  
  """
  Creates a matrix where the i-th row corresponds to the ith class number and the jth column
           corresponds to the jth training example. So if example j had a label i. Then entry (i,j) 
           will be 1. 

  Arguments:
  labels -- vector containing the labels 
  C -- number of classes, the depth of the one hot dimension

  Returns: 
  one_hot -- one hot matrix
  """
  # Create a tf.constant equal to C (depth), name it 'C'. (approx. 1 line)
  C = tf.constant(C)  # Use tf.one_hot, be careful with the axis (approx. 1 line)
  one_hot_matrix = tf.one_hot(labels, C, axis=0)  # Create the session (approx. 1 line)
  sess = tf.Session()
  one_hot = sess.run(one_hot_matrix)  # Close the session (approx. 1 line). See method 1 above.
  sess.close()  
  return one_hot

參數(shù)初始化

def ones(shape):  """
  Creates an array of ones of dimension shape
  Arguments:
  shape -- shape of the array you want to create

  Returns: 
  ones -- array containing only ones
  """
  # Create "ones" tensor using tf.ones(...). (approx. 1 line)
  ones = tf.ones(shape)  # Create the session (approx. 1 line)
  sess = tf.Session()  # Run the session to compute 'ones' (approx. 1 line)
  ones = sess.run(ones)  # Close the session (approx. 1 line). See method 1 above.
  sess.close()  
  return ones

一頓操作之后，我們已經(jīng)將神經(jīng)網(wǎng)絡(luò)的一些基礎(chǔ)運(yùn)算利用 Tensorflow 定義好了。在下一期筆記中，我們將學(xué)習(xí)如何使用 Tensorflow 搭建神經(jīng)網(wǎng)絡(luò)。

本文由《自興動腦人工智能》項目部 凱文 投稿。