tensorflow實戰:MNIST手寫數字識別的優化2-代價函式優化,準確率98%
最簡單的tensorflow的手寫識別模型,這一節我們將會介紹其簡單的優化模型。我們會從代價函式,多層感知器,防止過擬合,以及優化器的等幾個方面來介紹優化過程。
1.代價函式的優化:
我們可以這樣將代價函式理解為真實值與預測值的差距,我們神經網路訓練的目的就是調整W,b等引數來讓這個代價函式的值最小。上一節我們用到的是二次代價函式:
在TensorFlow中的實現為:loss = tf.reduce_mean(tf.square(y-prediction)),但是這個代價函式會帶來一定的問題,比如說剛開始學習的會很慢。我們知道神經網路的學習是通過梯度的反向傳播來更新引數W,b的:
但是我們的sigmoid啟用函式為:
當z很大的時候,例如在B點時,σ'(z)即改點切線的斜率將會很小,導致W,b的梯度很小,神經網路更新的將會很慢。為了解決這個問題,這一節我們將會引入交叉熵代價函式:
其中C為代價函式,x為樣本,y為實際值,a為預測值,n為樣本總數。
我們先來觀察一下這個代價函式:
當實際值y=1時,C= -1/n *∑ylna, 此時當a->1時,C->0 ,當a->0時C->無窮大
當實際值y=0時,C=-1/n *∑ln(1-a) 此時當a->1時,C->無窮大 ,當a->0時C->0
可以發現當預測值a=實際值y時,這個代價函式將會最小。
接下來我們對其求梯度得:
可以發現其對於W,b的梯度是與σ'(z)無關的,不會因為Z過大引起學習過慢的問題,而且我們發現W,b的梯度與σ(z)-y有關,而這個差值就是預測值與真實值的差值,也就是說當預測值與真實值的偏差很大時,神經網路的更新會很快,當預測值與真實值的偏差很小時,神經網路的更新會減慢,這恰恰符合了我們神經網路的更新策略。因此我們將會用
交叉熵代價函式來代替二次代價函式。 程式碼如下:
#!/usr/bin/env python # -*- coding: UTF-8 -*- import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data # 載入資料集 # 當前路徑 mnist = input_data.read_data_sets("MNISt_data", one_hot=True) # 每個批次的大小 # 以矩陣的形式放進去 batch_size = 100 # 計算一共有多少個批次 n_batch = mnist.train.num_examples // batch_size # 定義三個placeholder # 28 x 28 = 784 x = tf.placeholder(tf.float32, [None, 784]) y = tf.placeholder(tf.float32, [None, 10]) keep_prob = tf.placeholder(tf.float32) # 學習率 lr = tf.Variable(0.001, dtype=tf.float32) # 建立一個的神經網路 # 輸入層784,隱藏層一500,隱藏層二300,輸出層10個神經元 # 隱藏層 W1 = tf.Variable(tf.truncated_normal([784, 500], stddev=0.1)) b1 = tf.Variable(tf.zeros([500]) + 0.1) L1 = tf.nn.tanh(tf.matmul(x, W1) + b1) L1_drop = tf.nn.dropout(L1, keep_prob) W2 = tf.Variable(tf.truncated_normal([500, 300], stddev=0.1)) b2 = tf.Variable(tf.zeros([300]) + 0.1) L2 = tf.nn.tanh(tf.matmul(L1_drop, W2) + b2) L2_drop = tf.nn.dropout(L2, keep_prob) W3 = tf.Variable(tf.truncated_normal([300, 10], stddev=0.1)) b3 = tf.Variable(tf.zeros([10]) + 0.1) prediction = tf.nn.softmax(tf.matmul(L2_drop, W3) + b3) # 交叉熵代價函式 loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction)) # 訓練 train_step = tf.train.AdamOptimizer(lr).minimize(loss) # 初始化變數 init = tf.global_variables_initializer() # 結果存放在一個布林型列表中 # tf.argmax(y, 1)與tf.argmax(prediction, 1)相同返回True,不同則返回False # argmax返回一維張量中最大的值所在的位置 correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(prediction, 1)) # 求準確率 # tf.cast(correct_prediction, tf.float32) 將布林型轉換為浮點型 accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) with tf.Session() as sess: sess.run(init) # 總共51個週期 for epoch in range(51): # 剛開始學習率比較大,後來慢慢變小 sess.run(tf.assign(lr, 0.001 * (0.95 ** epoch))) # 總共n_batch個批次 for batch in range(n_batch): # 獲得一個批次 batch_xs, batch_ys = mnist.train.next_batch(batch_size) sess.run(train_step, feed_dict={x: batch_xs, y: batch_ys, keep_prob: 1.0}) learning_rate = sess.run(lr) # 訓練完一個週期後測試資料準確率 acc = sess.run(accuracy, feed_dict={x: mnist.test.images, y: mnist.test.labels, keep_prob: 1.0}) print("Iter" + str(epoch) + ", Testing Accuracy" + str(acc) + ", Learning_rate" + str(learning_rate))