习笔记TF048:TensorFlow 系统架构、设计意见、编程模型、API、作用域、批标准化、神经元函数优化

习笔记TF048:TensorFlow 系统架构、设计意见、编程模型、API、作用域、批标准化、神经元函数优化

系架构。
自底向上,设备层、网络层、数据操作层、图计算层、API层、应用层。核心层,设备层、网络层、数据操作层、图计算层。最下层是网络通信层和设备管理层。
网通信层包括gRPC(google Remote Procedure Call
Protocol)和长途直接数据存取(Remote Direct Memory
Access,RDMA),分布式计算需要。设备管理层包手包括TensorFlow分别以CPU、GPU、FPGA等装置及之贯彻。对上层提供联合接口,上层只待处理卷积等逻辑,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。
图计算层包括地方计算图和分布式计算图贯彻(图创建、编译、优化、执行)。

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
图计算层:分布式计算图、本地计算图
数码操作层:Const、Var、Matmul、Conv2D、Relu、Queue
网络层:gPRC、RDMA
设备层:CPU、GPU

统筹意见。
贪图定义、图运行了分开。符号主义。命令式编程(imperative style
programming),按照编写逻辑顺序执行,易于掌握调试。符号式编程(symbolic
style
programming),嵌入、优化,不易理解调试,运行速度快。Torch命令式,Caffe、MXNet混合,TensorFlow完全符号式。符号式计算,先定义各种变量,建立数量流图,规定变量计算关系,编译数据流图,这时还单是空壳,只有把数据输入,模型才能够形成数据流,才产生输出值。
TensorFlow运算在多少流图中,图运行就发在对话(session)中。开启对话,数据填节点,运算。关闭对话,无法测算。会话提供操作运行与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)#进展矩阵乘法,输出[3.,8.]
sess.close()

编程模型。
TensorFlow用数据流图做计算。创建数量流图(网络布局图)。TensorFlow运行原理,图被蕴含输入(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。
测算过程,从输入开始,经过塑形,一重叠一叠前奔传播运算。Relu层(隐藏层)有有限独参数,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),学习半只参数Wsm、bsm。用Softmax计算输出结果各个档次概率分布。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。计算梯度,需要参数Wh1、bh1、Wsm、bsm、交叉熵结果。SGD训练,反向传播,从达向生计算每层参数,依次更新。计算更新顺序,bsm、Wsm、bh1、Wh1。
TensorFlow,张量流动。TensorFlow数据流图由节点(node)、边(edge)组成起往无环图(directed
acycline
graph,DAG)。TensorFlwo由Tensor和Flow两有的构成。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

止。数据因、控制因。实线边表示数据因,代表数量,张量(任意维度的数目)。机器上算法,张量于数流图从之后流动,前于传来(forword
propagation)。残差(实际观察值与教练估计值的不同),从后向前流动,反向传播(backword
propagation)。虚线边表示控制因(control
dependency),控制操作运行,确保happens-before关系,边上没有多少流过,源节点必须于目的节点开始推行前成功实施。
TensorFlow张量数据性:
数据类型 Python类型 描述
DT_FLOAT tf.float32 32各类浮点型
DT_DOUBLE tf.float64 64各项浮点型
DT_INT64 tf.int64 64个来号整型
DT_INT32 tf.int32 32位有标志整型
DT_INT16 tf.int16 16各项产生记号整型
DT_INT8 tf.int8 8个来号整型
DT_UINT8 tf.uint8 8号无符号整型
DT_STRING tf.tring 要转移长字节数组,每一样张量元素是同许节约数组
DT_BOOL tf.bool 布尔型
DT_COMPLEX64 tf.complex64 两单32各类浮点数组成复数,实部、虚部
DT_QINT32 tf.qint32
量化操作32员生标志整型,信号连续取值或大气可能离散取值,近似为有限多单或比较少去散值
DT_QINT8 tf.qint8 量化操作8员产生记号整型
DT_QUINT8 tf.quint8 量化操作8各类无符号整型
祈求和张量实现源代码: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、写副持久变量(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……
发生状态操作 Variable、Assign、AssignAdd……
神经网络构建操作 SoftMax、Sigmoid、ReLU、Convolution2D、MaxPool……
检查点操作 Save、Restore
行和同步操作 Enqueue、Dequeue、MutexAcquire、MutexRelease……
支配张量流动操作 Merge、Switch、Enter、Leave、NextIteration

图。操作任务描述成有往无环图。创建各个节点。

import tensorflow as tf
#创办一个常量运算操作,产生一个1×2矩阵
matrix1 = tf.constant([[3.,3.]])
#创另外一个常量运算操作,产生一个2×1矩阵
matrix2 = tf.constant([[2.],[2.]])
#开创一个矩阵乘法运算,把matrix1和matrix2作为输入
#返值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,生成一布置空图,会讲话添加节点和限,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)。返回结果类型因输入型而定,取回(fetch)。
对话是祈求交互桥梁,一个会话可以产生多只图,会话可以修改图结构,可以望图流入数据计算。会话两只API:Extend(图上加节点、边)、Run(输入计算节点和同填充必要数据,运算,输出运算结果)。
会晤话源代码: tensorflow-1.1.0/tensorflow/python/client/session.py

设施(device)。一片用作运算、拥有好地址空间的硬件。CPU、GPU。TensorFlow可以提定操作以谁设备实行。with
tf.device(“/gpu:1”): 。

变量(variable)。特殊数据。图被有固定位置,不流。tf.Variable()构造函数。初始值形状、类型。

#创一个变量,初始化为标量0
state = tf.Variable(0,name=”counter”)
始建常量张量:

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。调用了,填充数据流失。

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

根本。操作(operation),抽象操作统称。内核(kernel),运行于特定设备(CPU、GPU)上操作的实现。同一操作可能对许多独基础。自定义操作,新操作和水源注册添加到网。

常用API。
图。TensorFlow计算表现为数量流图。tf.Graph类包含一密密麻麻计算操作对象(tf.Operation)和操作间流动数量张量对象(tf.Tensor)。
操作 描述
tf.Graph.__init__() 创建一个空图
tf.Graph.as_default()
将某图设置为默认图,返回一个上下文管理器。不示添加默认图,系统自动安装全局默认图。模块范围外定义节点都投入默认图
tf.Graph.device(device_name_or_function)
定义运行图所祭设备,返回上下文管理器
tf.Graph.name_scope(name) 为节点创建层次化名称,返回上下方管理器

tf.Operaiotn类代表图备受节点,用于计算张量数据。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

tf.Tensor类,操作输出符号句柄,不分包操作输出值,提供在tf.Session中计算值方法。操作间构建数据流连接,TensorFlow能免执行大气步多算图形。
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 产生张量操作
tf.Tensor.consumers() 返回下张量操作列表
tf.Tensor.eval(feed_dict=None,session=None)
会话被要张量值,使用sess.as_default()、eval(session=sess)
tf.Tensor.get_shape() 返回表示张量形状(维度)类TensorShape
tf.Tensor.set_shape(shape) 更新张量形状
tf.Tensor.device 设置计算张量设备

可视化。
当次中为节点添加摘要(summary),摘要收集节点数据,标记步数、时间穿标识,写副事件文件(event
file)。tf.summary.FileWriter类在目创建事件文件,向文件添加摘要、事件,在TensorBoard展示。
操作 描述
tf.summary.FileWriter.__init__(logdir,graph=None,max_queue=10,
flush_secs=120,graph_def=None)
创建FileWriter和事件文件,logdir中开创新事件文件
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)
事件文件上加图
tf.summary.FileWriter.get_logdir() 事件文件路径
tf.summary.FileWriter.flush() 所有事件上描绘副磁盘
tf.summary.FileWriter.close() 事件写副磁盘,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

变量作用域。
TensorFlow两个作用域(scope),name_scope(给op_name加前缀),variable_scope(给variable_name、op_name加前缀)。
variable_scope变量作用域机制:
v =
tf.get_variable(name,shape,dtype,initializer)#透过名字创办或者回到变量
tf.variable_scope(<scope_name>)#受变量指定命名空间
tf.get_variable_scope().reuse==False(默认为False,不能够得用),variable_scope作用域只能创造新变量。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()获取变量作用域。开户变量作用域使用前先定义作用域,跳了手上变量作用域,保持预先在作用域不变换。
变量作用域可以默认携带一个初始化器。子作用域或变量可以连续或又写父作用域初始化器值。
op_name在variable_scope作用域操作,会增长前缀。
variable_scope主要为此当循环神经网络(RNN)操作,大量共享变量。
name_scope。划分变量范围,可视化中象征于计算图一个层级。name_scope影响op_name,不影响用get_variable()创建变量。影响用Variable()创建变量。给操作加名字前缀。

批标准化。batch normalization,BN。优化梯度弥散问题(vanishing gradient
problem)。
统计机器上,ICS(Internal Covariate Shift)理论,源域(source
domain)和目标域(target
domain)数据分布一致。训练多少以及测试数据满足相同分布。是透过训练多少获得模型在测试集获得好成效的基本保障。Covariate
Shift,训练集样本数以及目标集分布不一致,训练模型无法充分好泛化(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,各层输出分布和输入信号分布不同,差异随网络加深变死,但每层指向样本标记(label)不更换。解决,根据训练样本和目标样本比例矫正训练样本。引入批标准化规范化层输入(数据以百分比缩放,落入小特定区间,数据去平均值,除以标准差),固定每层输入信号全值、方差。
术。批标准化通过规范化激活函数分布于线性区间,加大梯度,模型梯度下降。加大追究宽,加快收敛速度。更爱跳出局部最小值。破坏原数据分布,缓解了拟合。解决神经网络收敛速度放缓或者梯度爆炸(gradient
explode,梯度非常可怜,链式求导乘积变得那个十分,权重过好,产生指数级爆炸)。

#计算Wx_plus_b均值方差,axes=[0]标准维度
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。

神经元函数优化措施。

激活函数。activation
function,运行时激活神经网络某有神经元,激活信息为后传出下层神经网络。加入非线性因素,弥补线性模型表达力,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,选取激活函数保证输入输出可微。激活函数不更改输入数据维度,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,输出和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,容易有梯度消失。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左侧硬饱和激活函数。梯度消失,更新模型参数,采用链式求导法则相反为求导,越向前面梯度越聊。最终结果达一定深度后梯度对范更新没有任何贡献。
tanh函数。软饱和性,输出0为骨干,收敛速度较sigmoid快。也无力回天解决梯度消失。
relu函数。最被欢迎。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时维持梯度不衰减,缓解梯度消失,更快磨,提供神经网络稀疏表达能力。部分输入落至硬饱和区,权重无法创新,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决定是否为制止。如果叫制止,神经元就输出0,否则输出为平放原来的1/keep_prob倍。神经元是否让扼杀,默认相互独立。noise_shape调节,noise_shape[i]==shape(x)[i],x中元素相互独立。shape(x)=[k,l,m,n],x维度顺序批、行、列、通道。noise_shape=[k,1,1,n],批、通道互相独立,行、列数据涉嫌,都也0,或原值。论文被最好早做法,训练中概率p丢弃。预测中,参数按比例缩小,乘p。框架实现,反向ropout代替dropout,训练中单dropout,再按照比例放大,即乘以1/p,预测中莫开任何处理。
激活函数选择。输入数据特征相差明显,用tanh,循环过程不断扩大特征效果亮。特征相差不鲜明,用sigmoid。sigmoid、tanh,需要输入规范化,否则激活后价周上平坦区,隐层输出全部趋同,丧失原有风味表达。relu会哼广大,有时可以不举行输入规范化。85%-90%神经网络都用ReLU。10-15%就此tanh。

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) 计算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和季维卷积核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同一维整数路数组,每一样维度对承诺input每一样维移动步数。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
,可挑选布尔值,默认True。name,可挑选,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每个通道及,再管有结果汇总。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)
用几独分别卷积核做卷积。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)计算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)中如’反卷积’,实际上是conv2d之转置。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),计算给定三维输入和过滤器的平维卷积。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,卷积核向右侧走各一样步长度。
tf.nn.conv3d(input,filter,strides,padding,name=None)计算为得五维输入和过滤器的老三维卷积。input
shape多一致维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,池化函数一般与于卷积函数下一样层,定义在tensorflow-1.1.0/tensorflow/python/ops/nn.py、gen_nn_ops.py。
池化操作,用一个矩阵窗口以张量上扫描,每个矩阵窗口被的价通过获得最好可怜价值或平均值来减元素个数。每个池化操作矩阵窗口大小ksize指定,根据步长strides移动。
tf.nn.avg_pool(value,ksize,strides,padding,data_format=’NHWC’,name=None)计算池化区域元素平均值。value,四维张量,数据维度[batch,height,width,
channels]。ksize,长度不小于4整型数组,每位值对承诺输入数据张量每维窗口对应值。strides,长度不低于4整型数组,批定滑动窗口以输入数据张量每一样维上的涨幅。padding,字符串,SAME或VALID。data_format,’NHWC’,输入张量维度顺序,N个数,H高度,W宽度,C通道数(RGB三通道或灰度单通道)。name,可卜,操作名字。
tf.nn.max_pool(value,ksize,strides,padding,data_format=’NHWC’,
name=None)计算池化区域元素最可怜价值。
tf.nn.max_pool_with_argmax(input,ksize,strides,padding,Targmax=None,
name=None),计算池化区域元素最酷值和所在位置。计算位置agrmax,input铺平。如input=[b,y,x,c],索引位置((b*height+y)*width+x)*channels+c。只能以GPU运行。返回张量元组(output,argmax),output池化区域最老价值,argmax数据类型Targmax,四维。
tf.nn.avg_pool3d()、tf.nn.max_pool3d() 三维平均池化和最好特别池化。
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用最后一叠输入。输出,loss
[batch_size,num_classes]。如发损失函数,神经网络最后一交汇不需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神经网络最后一层结果。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。加速训练优化措施,多数根据梯度下降。梯度下降求函数最好值。学习最后要损失函数极值。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价输出yi。跟实际输出yi比较,统计有误差,求平均以后得平均误差,以此更新参数。迭代过程,提取训练集中具有情节{x1,…,xn},相关输出yi
。计算梯度和误差,更新参数。使用具有训练多少计算,保证没有,不需要逐步回落学习率。每一样步都亟待以具有训练多少,速度越来越慢。
SDG法。stochastic gradient
descent,随机梯度下降。数据集拆分成一个个批次(batch),随机抽取一个批次计算,更新参数,MBGD(minibatch
gradient
descent)。每次迭代算mini-batch梯度,更新参数。训练多少集非常特别,仍能比快速度没有。抽取不可避免梯度误差,需要手动调整学习率(learning
rate)。选择符合学习率比较艰苦。想对经常出现特点更新速度快,不常出现特征更新快放缓。SGD更新所有参数用相同学习率。SGD容易收敛到部分最美好,可能受累死在鞍点。
Momentum法。模拟物理学动量概念。更新时在一定水平保留之前更新方向,当前批次再次微调本次更新参数,引入新变量v(速度),作为前几不好梯度累加。Momentum更新学习率,在降低初期,前后梯度方向一致时,加速学习,在回落中后期,在有的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,先计算一个梯度,在快马加鞭创新梯度方向大跳跃。Nesterov法,先以原本加速梯度方向大跳跃,再以拖欠职务计算梯度值,用者梯度值修正最终更新方向。
Adagrad法。自适应吗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。
Adadelta法。Adagrad法,学习单调递减,训练后期学习率非常小,需要手动设置一个大局初始学习率。Adadelta法用平等路方法,近似模拟二阶牛顿法,解决问题。
RMSprop法。引入一个衰减系数,每一样合都衰减一定比重。对循环神经网络(RNN)效果大好。
Adam法。自适应矩估计(adaptive moment
estimation)。Adam法根据损失函数针对每个参数梯度一阶矩估计与二阶矩估计动态调整每个参数学习率。矩估计,利用样本矩估计完整相应参数。一个随机变量X服从某种分布,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。
法较。Karpathy在MNIST数据集发现规律:不调参数,Adagrad法比SGD法、Momentum法更安定、性能更可以。精调参数,精调SGD法、Momentum法收敛速度与准确性优于Adagrad法。http://sebastianruder.com/optimizing-gradient-descent/。《An
overview of gradient descent optimization algorithms》。

参考资料:
《TensorFlow技术解析和实战》

欢迎付费咨询(150首各个小时),我的微信:qingxingfengzi

admin

网站地图xml地图