新手必讀系列：實例解讀TensorFlow

TensorFlow是Google開發的開源軟體庫，用於機器學習。它能夠在所有Linux、Windows和MacOS平台上的CPU和GPU上運行。 Tensorflow可用於設計、實施和訓練受大腦結構和功能啟發的深度學習模型。

在本文中，將逐步指導使用TensorFlow實現簡單的神經網路。著名的鳶尾花數據集在此用於訓練，然後將給定的花分類到正確的類型。

該數據集包含3種「Setosa」、「Versicolor」和「Virginica」。為了識別每種花型，有4種萼片長度、萼片寬度、花瓣長度和花瓣寬度的屬性。我們將實施一個神經網路來使用這些因素識別正確的類型。

首先，我們將使用訓練數據集來訓練我們的模型，然後將使用測試數據集來測試它的準確性。你可以從這裡下載訓練數據集，並從這裡測試數據集。

步驟1

首先，我們需要讀取.csv文件中的數據並導入它們。Pandas 可以用來輕鬆處理這個問題。

導入數據

Pandas中的read_csv（）函數將讀取文件並將內容載入到指定的變數。作為函數的參數，我們需要指定文件的路徑，而名稱參數可以用來指定每個文件的列名。

步驟2

數據集中每種花都被編碼為0、1和2。我們需要使用一種熱門方法將它們編碼為[1,0,0]，[0,1,0]和[0,0,1]。這將使網路的訓練和優化變得容易，因為網路的輸出也是以一種熱門格式生成的。

那麼我們需要定義訓練集的x、y和測試集的x、y

編碼類和數據分離

步驟3

它需要為輸入（X）、輸出（Y）定義佔位符，並定義網路的權重和偏差。這裡我們有4列輸入，因為數據集有4個特徵和3列輸出來映射3種類型的花。佔位符的形狀應該滿足這一點。此外，權重矩陣的形狀必須是4x3，並且偏差必須是3的矢量以將輸入映射到輸出（無隱藏層）。

定義權重，偏差和佔位符

步驟4

然後我們需要通過一個激活函數發送輸出，這裡使用了tensorflow中可用的soft-max函數。為了訓練模型，我們需要計算模型創建的輸出中有多少誤差的成本。我們在這裡計算均方誤差。然後我們可以訓練模型，使用AdamOptimizer降低成本。

訓練張量定義

步驟5

經過訓練以檢查我們的模型是否準確，我們需要將模型預測與實際結果進行比較。然後我們可以通過計算得到的正確結果來判斷模型的準確性。

計算準確度

在這裡，需要檢查由我們的模型生成的輸出是否等於實際結果（Y）。該模型將計算每種花的價值，這可以視為每種類型的概率。我們選擇最有可能的類型。 argmax函數將返回最大值的索引。請記住，結果是一種one-hot形式，這種方法很容易讓我們檢查正確性。

在此之後，我們必須開始訓練模型。在此之前，我們需要首先初始化所有全局變數，然後使用global_variables_initializer函數。

步驟6

現在我們來訓練我們的模型。張量執行必須在張量流中的一個會話內完成。因此，在培訓之前我們需要創建一個會話，並且在完成所有事情之後，我們需要關閉會話。

訓練模式

上面的代碼塊被添加來創建tensorflow會話，並且該塊中的所有內容都將具有該會話。此外，這個代碼塊能夠在一切完成時自動關閉會話。

首先，執行變數初始張量，然後模型訓練1000次。訓練時，我們需要將訓練數據集指定為X，將相應的結果指定為Y，因為訓練tensorflow期望它們執行。在傳遞Y時，已經迭代並創建了一個新數組，以確保它具有與上面定義的形狀相同的形狀。在每次迭代中，跟蹤成本以繪製圖形以查看實際的訓練。

最後一步

最後，當訓練過程結束時，繪製成本變化圖並通過測試數據集測試模型的準確性。

繪製圖形和檢查準確性

經過1000次訓練迭代後，可以獲得96.67％的準確度，這確實令人印象深刻，成本變化圖通過降低每次迭代的成本顯示了該模型的重大發展。

因訓練而降低成本

這篇文章將有助於tensorflow的新手通過這個簡單的例子來理解它的概念。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！