内容简介:这是一次使用python进行机器学习的实验。一是总结自己学过的各种python包,二是了解一下使用python进行机器学习大概是什么样的,不过这次使用主要的目的还是熟悉Tensorflow的使用。本次实验使用到的python包及其版本:
这是一次使用 python 进行机器学习的实验。
一是总结自己学过的各种python包,二是了解一下使用python进行机器学习大概是什么样的,不过这次使用主要的目的还是熟悉Tensorflow的使用。
本次实验使用到的python包及其版本:
- Tensorflow 1.8.0
- Numpy 1.14.3
- Pandas 0.22.0
- Matplotlib 2.2.2
机器环境是:macOS 10.13
Tensoflow基础知识
这里只介绍本次实验所用到的Tensorflow的关键知识、概念,想了解详情可以参考官方文档:https://tensorflow.google.cn/programmers_guide/low_level_intro 。
张量
TensorFlow 中的核心数据单位是 张量 。一个张量由一组形成阵列(任意维数)的原始值组成。张量的 阶 是它的维数,而它的 形状 是一个整数元组,指定了阵列每个维度的长度。以下是张量值的一些示例:
3. # 0阶张量;也叫标量;形状是[] [1., 2., 3.] # 1阶张量;也叫向量;形状是[3] [[1., 2., 3.], [4., 5., 6.]] # 2阶张量;也叫矩阵;形状是[2, 3] [[[1., 2., 3.]], [[7., 8., 9.]]] # 3阶张量;形状是[2, 1, 3] 复制代码
TensorFlow 使用 numpy 阵列来表示张量 值 。
图
您可以将 TensorFlow Core 程序看作由两个互相独立的部分组成:
- 构建计算图 (
tf.Graph
)。 - 运行计算图 (
tf.Session
)。
计算图是排列成一个图的一系列 TensorFlow 指令。图由两种类型的对象组成。
- 指令(或“op"):图的节点。 指令说明的是消耗和生成张量的计算。
- 张量:图的边。它们代表将流经图的值。大多数 TensorFlow 函数会返回
tf.Tensors
。
重要提示: tf.Tensors
不具有值,它们只是计算图中元素的手柄。
我们来构建一个简单的计算图。最基本的指令是一个常量。构建指令的 Python 函数将一个张量值作为输入值。生成的指令不需要输入值。它在运行时输出的是被传递给构造函数的值。我们可以创建如下所示的两个浮点数常量 a
和 b
:
a = tf.constant(3.0, dtype=tf.float32) b = tf.constant(4.0) # 默认dtype=tf.float32 total = a + b print(a) print(b) print(total) 复制代码
打印语句会生成:
Tensor("Const:0", shape=(), dtype=float32) Tensor("Const_1:0", shape=(), dtype=float32) Tensor("add:0", shape=(), dtype=float32) 复制代码
请注意,打印张量并不会如您可能预期的那样输出值 3.0
、 4.0
和 7.0
。上述语句只会构建计算图。这些 tf.Tensor
对象仅代表将要运行的指令的结果。
图中的每个指令都拥有唯一的名称。这个名称不同于使用 Python 分配给相应对象的名称。张量是根据生成它们的指令命名的,后面跟着输出索引,如上文的 "add:0"
所示。
会话
要评估张量,您需要实例化一个 tf.Session
对象(通常被称为 会话 )。会话会封装 TensorFlow 运行时的状态,并运行 TensorFlow 指令。如果说 tf.Graph
像一个 .py
文件,那么 tf.Session
就像一个可执行的 python
。
下面的代码会创建一个 tf.Session
对象,然后调用其 run
方法来评估我们在上文中创建的 total
张量:
sess = tf.Session() print(sess.run(total)) 复制代码
当您使用 Session.run
请求输出节点时,TensorFlow 会回溯整个图,并流经提供了所请求的输出节点对应的输入值的所有节点。因此此指令会打印预期的值 7.0:
7.0 复制代码
您可以将多个张量传递给 tf.Session.run
。 run
方法以透明方式处理元组或字典的任何组合,如下例所示:
print(sess.run({'ab':(a, b), 'total':total})) 复制代码
它返回的结果拥有相同的布局结构:
{'total': 7.0, 'ab': (3.0, 4.0)} 复制代码
在调用 tf.Session.run
期间,任何 tf.Tensor
都只有单个值。例如,以下代码调用 tf.random_uniform
来生成一个 tf.Tensor
,后者会生成随机的三元素矢量(值位于 [0,1)
):
vec = tf.random_uniform(shape=(3,)) out1 = vec + 1 out2 = vec + 2 print(sess.run(vec)) print(sess.run(vec)) print(sess.run((out1, out2))) 复制代码
每次调用 run
时,结果都会显示不同的随机值,但在单个 run
期间( out1
和 out2
接收到相同的随机输入值),结果显示的值是一致的:
[ 0.52917576 0.64076328 0.68353939] [ 0.66192627 0.89126778 0.06254101] ( array([ 1.88408756, 1.87149239, 1.84057522], dtype=float32), array([ 2.88408756, 2.87149239, 2.84057522], dtype=float32) ) 复制代码
部分 TensorFlow 函数会返回 tf.Operations
,而不是 tf.Tensors
。对指令调用 run
的结果是 None
。您运行指令是为了产生副作用,而不是为了检索一个值。这方面的例子包括稍后将演示的[初始化](https://tensorflow.google.cn/programmers_guide/low_level_intro#Initializing Layers)和训练指令。
占位符
目前来讲,这个图不是特别有趣,因为它总是生成一个常量结果。图可以参数化以便接受外部输入,也称为 占位符 。 占位符 表示承诺在稍后提供值,它就像函数参数。
x = tf.placeholder(tf.float32) y = tf.placeholder(tf.float32) z = x + y 复制代码
前面三行有点像函数。我们定义了这个函数的两个输入参数( x
和 y
),然后对它们运行指令。我们可以使用run 方法的 feed_dict
参数来为占位符提供真正的值,从而通过多个输入值来评估这个图:
print(sess.run(z, feed_dict={x: 3, y: 4.5})) print(sess.run(z, feed_dict={x: [1, 3], y: [2, 4]})) 复制代码
上述操作的结果是输出以下内容:
7.5 [ 3. 7.] 复制代码
另请注意, feed_dict
参数可用于覆盖图中的任何张量。占位符和其他 tf.Tensors
的唯一不同之处在于如果没有提供值给它们,那么占位符会显示错误。
Estimator
它是一种可极大地简化机器学习编程的高阶 TensorFlow API。Estimator 会封装下列操作:
- 训练
- 评估
- 预测
- 导出以供使用
为了更好的理解它是个啥,请看后面的 Premade Estimator
和 Custom Estimator
章节。
理论基础
直接看线性模型的目标是什么吧,以下图为例:
模型的目标是找到一条直线(图红色直线),让每一个蓝色点到与直线的y距离最小。
下面来更数学化一点的介绍:
给定一个大小为n的点集 ,
线性模型的目标就是寻找一组 和 构成的直线 ,
使得所有点的损失值 越小越好。
因为如果我们找到了这么一组 和 ,我们就可以预测某一个 的 值。
这里我想多说几句,线性模型在实际应用中不一定能很好的预测 的值,这是因为实际的数据分布也许不是线性的,可能是二次、三次、圆形甚至无规则,所以判断什么时候能用线性模型很重要。一个比较好的实践方法是,先用matplotlib画出数据分布,观察一下看看,就好比上面的蓝色点,一看就知道是线性分布,所以可以用线性模型来做。但是这种方法在大部分情况下也不能用,因为数据很多情况下有多个特征(多元),一元、二元都还好,能看出来,到了三元、四元数据,可能连图都画不出来。。这时候又怎么办呢?也很简单,用线性模型和其他模型一起套一下,评估、对比看看结果如何。
那么现在问题是,怎么让 loss
最小呢?请接着往下看。
基础版本
模型
废话不多说,直接上写好的代码:
def fit_linear_model(data, num_steps, alpha): """ train with the machine learning :param data: training data :param num_steps: training steps :param alpha: learning rate :return: W and b of trained linear model """ # variables W = tf.Variable(1, dtype=tf.float64) b = tf.Variable(1, dtype=tf.float64) x = tf.placeholder(tf.float64) y = tf.placeholder(tf.float64) # predict pred = W * x + b # loss loss = tf.reduce_sum(tf.square(pred - y)) # optimizer optimizer = tf.train.GradientDescentOptimizer(alpha) # train train = optimizer.minimize(loss) train_set, test_set = split_test_set(data, frac=0.3, random=True) sess = tf.Session() sess.run(tf.global_variables_initializer()) for i in range(num_steps): sess.run(train, {x: train_set['x'], y: train_set['y']}) final_W, final_b = sess.run([W, b], {x: train_set['x'], y: train_set['y']}) # evaluate final_loss, evaluate_loss = evaluate(train_set, test_set, final_W, final_b) print('W: {}, b: {}, final loss: {}, evaluate loss: {}'.format(final_W, final_b, final_loss, evaluate_loss)) return final_W, final_b 复制代码
下面一步一步讲解代码:
- 11~14行:定义需要用到的张量,其中 和 是变量,并且都给了初始值
1
; 是占位符用于接收数据。 - 17行:计算预测值
- 20行:计算损失值
loss
- 23、26行:使用
GradientDescentOptimizer
来优化模型,减小loss
,这个类的原理是梯度下降,可以看到我们传递了学习速率alpha
即α
。可以好奇的是,我们没有计算梯度,而是调用了minimize
方法,这个方法分两步进行,第一步是使用compute_gradients
计算梯度,第二步是使用apply_gradients
更新参数值,凭借经验可以知道,第一步其实就是在计算偏导数,那么tensorflow是怎么做到,可以计算任意元线性模型的偏导数的呢,我大概扫描了一下源码,猜测应该是用了计算图
。 - 28行:使用自定义方法
split_test_set
将数据集划分为 训练集:测试集= 7:3,即有30%的数据用作测试集。 - 30~33行:训练模型。我比较好奇
global_variables_initializer
是个神魔恋,几乎tensorflow应用都要执行这个东西,看看文档就知道它会创建初始化程序时图中就存在的变量比如代码中的 和 ,其实就是variables_initializer(global_variables())
的缩写。 - 35行:获取最终模型,即 和 ,这里需要转变以下思维, 和 是张量(即图中的一个节点),所以需要通过
run
方法获取到。讲道理应该可以通过类似get_variable
的方法拿到值,看了下貌似没有这个方法。 - 38行。使用自定义方法
evaluate
评估模型,计算模型在训练集、测试集上的损失值。 - 40行。打印训练结果。
- 42行。返回模型。
这是个封装好的函数,只要传入数据集、训练步数、学习率就可以得到训练好的模型了(即 和 )。
需要提醒一下的是,第33、35行的 {x: train_set['x'], y: train_set['y']}
不能把 key
写成单引号的 {'x': train_set['x'], 'y': train_set['y']}
。
数据
那么下面是需要拿到数据,这里我用的是随机生成的数据:
def linear_data(data_size, devi_degree): """ Make random linear data :param data_size: data size :param devi_degree: degree of deviation :return: linear data with x and y """ # standard linear function x = np.array(range(data_size), dtype=np.float64) y = 3 * x + 0.6 # make deviation y += np.random.randn(data_size) * devi_degree data = pd.DataFrame({'x': x, 'y': y}) return data 复制代码
做法是:
data_size devi_degree
再来划分训练集和测试集:
def split_test_set(df, frac=0.3, random=True): """ Split DataFrame to train set and test set :param df: :param frac: :param random: :return: """ test_size = int(len(df) * min(frac, 1)) if random: df = df.sample(frac=1).reset_index(drop=True) return df[test_size:].reset_index(drop=True), df[:test_size].reset_index(drop=True) 复制代码
评估
def evaluate(train_set, test_set, W, b): """ Evaluate the model's loss :param train_set: :param test_set: :param W: :param b: :return: train_loss, evaluate_loss """ x = tf.placeholder(tf.float64) y = tf.placeholder(tf.float64) # predict pred = W * x + b # loss loss = tf.reduce_sum(tf.square(pred - y)) sess = tf.Session() sess.run(tf.global_variables_initializer()) train_loss = sess.run(loss, {x: train_set['x'], y: train_set['y']}) evaluate_loss = sess.run(loss, {x: test_set['x'], y: test_set['y']}) sess.close() return train_loss, evaluate_loss 复制代码
这里的loss评估是使用预测值-实际值平方再求和,与 理论基础
章节描述的 loss
一样。
绘图
这部分就简单了,把点画一下,把直线画一下就可以了,注意直线最好和点不一样的颜色,所以标红。
def print_linear_model(data, W, b): """ print the data and the predictions of linear model :param data: :param W: W of linear model :param b: b of linear model """ x = np.array(data['x']) y = np.array(data['y']) pred = np.array(W * x + b) plt.scatter(x, y, linewidths=1) plt.plot(x, pred, color='red') plt.show() 复制代码
主程序
每一部分的函数写完啦,现在要做的是将这几个函数组合起来用,上代码。
import tensorflow as tf import numpy as np import pandas as pd import matplotlib.pyplot as plt import argparse parser = argparse.ArgumentParser() parser.add_argument('--data_size', default=50, type=int, help='data size') parser.add_argument('--num_steps', default=1000, type=int, help='number of trannig steps') parser.add_argument('--devi_degree', default=10, type=int, help='Degree of deviation in stand linear data') parser.add_argument('--alpha', default=0.00001, type=float, help='learning rate of gradient decent') def main(argv): args = parser.parse_args(argv[1:]) data = linear_data(args.data_size, args.devi_degree) W, b = fit_linear_model(data, args.num_steps, args.alpha) print_linear_model(data, W, b) if __name__ == '__main__': tf.logging.set_verbosity(tf.logging.INFO) tf.app.run(main) 复制代码
这里用到了 argparse
包来处理传入的参数
把我上面给的所有代码,都复制到 tf-linear.py
文件里,接着运行:
python tf-linear.py --data_size=100 --alpha=0.000001 --devi_degree=30 --num_steps=5000 复制代码
即可看到之前那个图啦。
这里需要注意一下, alpha
参数不要设太大了。。不然会梯度爆炸。。程序员运行不出结果( 和 都会变成 nan
)
Premade Estimator
模型
如果你看懂了基础版本的代码。。。那这部分就简单的很了,还是一样,直接上代码:
def fit_estimator(data, num_steps): """ train with estimator :param data: :param num_steps: :return: """ feature_columns = [ tf.feature_column.numeric_column('x') ] estimator = tf.estimator.LinearRegressor(feature_columns=feature_columns) train_set, test_set = split_test_set(data, frac=0.3, random=True) input_fn = tf.estimator.inputs.numpy_input_fn( {'x': train_set['x']}, train_set['y'], batch_size=4, num_epochs=None, shuffle=True ) estimator.train(input_fn=input_fn, steps=num_steps) W = estimator.get_variable_value('linear/linear_model/x/weights') b = estimator.get_variable_value('linear/linear_model/bias_weights') final_W, final_b = float(W), float(b) final_loss, evaluate_loss = evaluate(train_set, test_set, final_W, final_b) print('W: {}, b: {}, final loss: {}, evaluate loss: {}'.format(final_W, final_b, final_loss, evaluate_loss)) return final_W, final_b 复制代码
还是按步骤来解释吧:
- 9~11行:定义特征列
- 13行:创建
线性回归器
,也就是estimator
- 15行:使用自定义方法
split_test_set
将数据集划分为 训练集:测试集= 7:3,即有30%的数据用作测试集。 - 17~21行:使用训练集训练模型,也就是训练
线性回归器
- 23~24行:获取最终模型,即 和 。可以好奇的是,为什么 和 的获取方式这么奇葩。。。其实我是通过
dir
命令才知道,可以用这种方法获取到参数,如果有其他优雅的方法可以告诉我哦。 - 27行。使用自定义方法
evaluate
评估模型,计算模型在训练集、测试集上的损失值。 - 29行。打印训练结果。
- 31行。返回模型。
可以看到,比咱们自己手撸模型要简单多了。首先,预测函数不用自己写了,优化器也不用自己创建了,甚至连for-loop也不用了,直接调用 train
方法就万事大吉了。
这里需要注意一下, LinearRegressor
有个 weight_column
参数,如果不给的话,初始值是 1
,形状是 (1,)
,可以理解为是 np.array([1.])
,所以才能把他转成 float
,如果大于1阶,估计会转换失败。
主程序
数据、绘图都不变,只需要修改 main
方法为如下即可:
def main(argv): args = parser.parse_args(argv[1:]) data = linear_data(args.data_size, args.devi_degree) # W, b = fit_linear_model(data, args.num_steps, args.alpha) W, b = fit_estimator(data, args.num_steps) print_linear_model(data, W, b) 复制代码
接着还是运行:
python tf-linear.py --data_size=100 --alpha=0.000001 --devi_degree=30 --num_steps=5000 复制代码
然后可以看到和之前那个图差不多的样子啦。
Custom Estimator
模型
依然先上代码:
def fit_custom_estimator(data, num_steps, alpha): """ train with custom estimator :param data: :param num_steps: :param alpha: :return: """ def model_fn(features, labels, mode): W = tf.get_variable('W', 1., dtype=tf.float64) b = tf.get_variable('b', 1., dtype=tf.float64) # predict pred = W * tf.cast(features['x'], dtype=tf.float64) + b # loss loss = tf.reduce_sum(tf.square(pred - labels)) # optimizer optimizer = tf.train.GradientDescentOptimizer(alpha) # global step global_step = tf.train.get_global_step() # train train = tf.group( optimizer.minimize(loss), tf.assign_add(global_step, 1) ) return tf.estimator.EstimatorSpec( mode=mode, predictions=pred, loss=loss, train_op=train ) feature_columns = [ tf.feature_column.numeric_column('x') ] estimator = tf.estimator.Estimator( model_fn=model_fn ) train_set, test_set = split_test_set(data, frac=0.3, random=True) input_fn = tf.estimator.inputs.numpy_input_fn( {'x': train_set['x']}, train_set['y'], batch_size=4, num_epochs=None, shuffle=True ) estimator.train(input_fn=input_fn, steps=num_steps) W = estimator.get_variable_value('W') b = estimator.get_variable_value('b') final_W, final_b = float(W), float(b) final_loss, evaluate_loss = evaluate(train_set, test_set, final_W, final_b) print('W: {}, b: {}, final loss: {}, evaluate loss: {}'.format(final_W, final_b, final_loss, evaluate_loss)) return final_W, final_b 复制代码
可以分为两部分,第一部分是编写 model_fn
,第二部分是调用自定义的estimator。
先看第一部分吧,也就是11行~38行。
- 12~13行:获取当前session中的 和 变量,如果不存在就设置他们为
1
- 16行:计算预测值。
- 19行:计算损失值
loss
。 - 22行:实例化
GradientDescentOptimizer
类,用于优化模型。 - 25行:拿到
global_step
即当前步数(这个步数是全局的)。 - 28~31行:定义训练节点要做的操作,即 使用
GradientDescentOptimizer
优化模型,并且把global_step
加一。group
方法表示把多个操作放在一个节点里,这个方法没有返回值。 - 33~38行。关键行,实例化
Estimator
类,并把一些必要参数传给它。
第二部分调用自定义的estimator大部分代码和调用预定义的estimator一样,就是在第44~46行,我们把自己写的 model_fn
作为参数传入到实例化的 Estimator
里。
在我们调用estimator的 train
方法时,tensorflow就会在内部调用我们写的 model_fn
方法来计算loss、prediction以及训练模型。
model_fn
的 mode
参数是啥?它其实有三个值分别是:ModeKeys.TRAIN、ModeKeys.EVAL、ModeKeys.PREDICT,用来指示本次调用的目的是训练、评估还是预测。不过在本次实验中,我们写了自己的 evaluate
方法,所以就不区分这三种情况了。
主程序
def main(argv): args = parser.parse_args(argv[1:]) data = linear_data(args.data_size, args.devi_degree) # W, b = fit_linear_model(data, args.num_steps, args.alpha) # W, b = fit_estimator(data, args.num_steps) W, b = fit_custom_estimator(data, args.num_steps, args.alpha) print_linear_model(data, W, b) 复制代码
* 扩展阅读
Tensorboard
在使用 Estimator
训练模型的时候,tensorflow会自动记录训练过程中某些数据的变化,比如 loss
值,拿premade estimator来说,在训练完成后,控制会打印出如图所示的一些信息:
可以看到有一些数据被存到了:
/var/folders/4c/14xc6rkj1ndgw2x5kw5sw8hr0000gn/T/tmpo5gg328l/model.ckpt. 复制代码
查看这个目录发现里面还有很多其他文件
下面运行Tensorboard,来查看这次训练中的数据变化:
tensorboard --logdir /var/folders/4c/14xc6rkj1ndgw2x5kw5sw8hr0000gn/T/tmpo5gg328l 复制代码
这会启动一个web服务,点击终端提示的网址即可打开,我的是在 6006
端口。
源码和参考资料
本次实验的开源github地址:https://github.com/JerryCheese/tensorflow-study
参考的文档:
[1] TensorFlow 完整的TensorFlow入门教程, https://blog.csdn.net/lengguoxing/article/details/78456279
[2] TensorFlow 使用入门, https://tensorflow.google.cn/get_started/premade_estimators
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网
猜你喜欢:- 如何用线性回归模型做数据分析?
- 线性模型已退场,XGBoost时代早已来
- 线性模型篇之 SVM 数学公式推导
- 线性回归 Statsmodels 模型预测波士顿房价
- TensorFlow笔记(2)——利用TensorFlow训练一个最简单的一元线性模型
- 线性回归:这可能是机器学习中最简单的一个模型了
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
跨境电商——阿里巴巴速卖通宝典
速卖通大学 编著 / 电子工业出版社 / 2015-1 / 69.00元
跨境电商作为中国电子商务发展的最新趋势,受到了全社会越来越多的重视,大量中国卖家借助阿里巴巴速卖通平台,将产品直接售卖到全球的消费者手中,通过这条短得不能再短的交易链,获得了丰厚的回报。 但同时,跨境电商这一贸易形式,对卖家的综合素质要求比较高:卖家要对海外市场比较熟悉,对跨境物流有所把握,能够用外语进行产品介绍和客户交流,通过跨境结算拿到货款……诸如此类的门槛,让不少新卖家心生畏难,而所有......一起来看看 《跨境电商——阿里巴巴速卖通宝典》 这本书的介绍吧!