Tensorflow 简明教程
TensorFlow - Recurrent Neural Networks
递归神经网络是一种面向深度学习的算法，它遵循顺序方法。在神经网络中，我们总是假设每个输入和输出独立于所有其他层。这些类型的神经网络被称为递归网络，因为它们以顺序方式执行数学计算。
考虑以下训练递归神经网络的步骤 −
Step 1 − 从数据集中输入一个特定示例。
Step 2 − 网络将采用一个示例，并使用随机初始化的变量计算一些计算。
Step 3 − 然后计算预期的结果。
Step 4 − 用产生的实际结果与期望值进行比较将产生一个误差。
Step 5 − 为了追踪误差，它通过变量也调整的相同路径传播。
Step 6 − 从 1 到 5 的步骤重复，直到我们确信宣告的变量以获得输出被正确定义。
Step 7 − 通过应用这些变量来获得新的看不见的输入，做出一个系统的预测。
递归神经网络的示意图方法如下所述 −
Recurrent Neural Network Implementation with TensorFlow
在本节中，我们将学习如何用 TensorFlow 实现递归神经网络。
Step 1 − TensorFlow 包含用于实现递归神经网络模块的各种库。
#Import necessary modules
from __future__ import print_function
import tensorflow as tf
from tensorflow.contrib import rnn
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("/tmp/data/", one_hot = True)如上所述，这些库有助于定义输入数据，这形成了递归神经网络实现的主要部分。
Step 2 − 我们的主要动机是使用循环神经网络对图像进行分类，其中我们把每行图像看成像素序列。MNIST 的图像形状具体定义为 28*28 px。现在我们将处理前面提到的每个样本的 28 个 28 步骤的序列。我们将定义输入参数以便完成序列模式。
n_input = 28 # MNIST data input with img shape 28*28
n_steps = 28
n_hidden = 128
n_classes = 10
# tf Graph input
x = tf.placeholder("float", [None, n_steps, n_input])
y = tf.placeholder("float", [None, n_classes]
weights = {
'out': tf.Variable(tf.random_normal([n_hidden, n_classes]))
}
biases = {
'out': tf.Variable(tf.random_normal([n_classes]))
}Step 3 − 使用 RNN 中定义的函数计算结果以获得最佳结果。此处，将每个数据形状与当前输入形状进行比较，并对结果进行计算以保持准确率。
def RNN(x, weights, biases):
x = tf.unstack(x, n_steps, 1)
# Define a lstm cell with tensorflow
lstm_cell = rnn.BasicLSTMCell(n_hidden, forget_bias=1.0)
# Get lstm cell output
outputs, states = rnn.static_rnn(lstm_cell, x, dtype = tf.float32)
# Linear activation, using rnn inner loop last output
return tf.matmul(outputs[-1], weights['out']) + biases['out']
pred = RNN(x, weights, biases)
# Define loss and optimizer
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = pred, labels = y))
optimizer = tf.train.AdamOptimizer(learning_rate = learning_rate).minimize(cost)
# Evaluate model
correct_pred = tf.equal(tf.argmax(pred,1), tf.argmax(y,1))
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))
# Initializing the variables
init = tf.global_variables_initializer()Step 4 − 在此步骤中，我们将启动图表以获取计算结果。这也将帮助计算出测试结果的准确率。
with tf.Session() as sess:
sess.run(init)
step = 1
# Keep training until reach max iterations
while step * batch_size < training_iters:
batch_x, batch_y = mnist.train.next_batch(batch_size)
batch_x = batch_x.reshape((batch_size, n_steps, n_input))
sess.run(optimizer, feed_dict={x: batch_x, y: batch_y})
if step % display_step == 0:
# Calculate batch accuracy
acc = sess.run(accuracy, feed_dict={x: batch_x, y: batch_y})
# Calculate batch loss
loss = sess.run(cost, feed_dict={x: batch_x, y: batch_y})
print("Iter " + str(step*batch_size) + ", Minibatch Loss= " + \
"{:.6f}".format(loss) + ", Training Accuracy= " + \
"{:.5f}".format(acc))
step += 1
print("Optimization Finished!")
test_len = 128
test_data = mnist.test.images[:test_len].reshape((-1, n_steps, n_input))
test_label = mnist.test.labels[:test_len]
print("Testing Accuracy:", \
sess.run(accuracy, feed_dict={x: test_data, y: test_label}))下面的屏幕截图给出了输出结果 −
