ИТ Блог. Администрирование серверов на основе Linux (Ubuntu, Debian, CentOS, openSUSE)
(1 оценок, среднее: 5,00 из 5)
Загрузка...
Рекуррентные нейронные сети – это тип глубоко ориентированного на обучение алгоритма, который следует последовательному подходу. В нейронных сетях мы всегда предполагаем, что каждый вход и выход не зависит от всех других слоев. Нейронные сети такого типа называются рекуррентными, потому что они выполняют математические вычисления последовательно.
Рассмотрим следующие шаги для обучения периодической нейронной сети:
Шаг 1 – Введите конкретный пример из набора данных.
Шаг 2 – Сеть возьмет пример и вычислит некоторые вычисления, используя случайно инициализированные переменные.
Шаг 3 – Затем вычисляется прогнозируемый результат.
Шаг 4 – Сравнение фактического результата с ожидаемым значением приведет к ошибке.
Шаг 5 – Чтобы отследить ошибку, она распространяется по тому же пути, где переменные также корректируются.
Шаг 6 – шаги с 1 по 5 повторяются до тех пор, пока мы не убедимся, что переменные, объявленные для получения выходных данных, определены правильно.
Шаг 7 – Систематический прогноз делается путем применения этих переменных, чтобы получить новый невидимый вклад.
Схематический подход представления рекуррентных нейронных сетей описан ниже:
В этом разделе мы узнаем, как реализовать рекуррентную нейронную сеть с TensorFlow.
Шаг 1 – TensorFlow включает в себя различные библиотеки для конкретной реализации модуля рекуррентной нейронной сети.
#Импорт необходимых модулей
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)
Как упоминалось выше, библиотеки помогают в определении входных данных, которые составляют основную часть текущей реализации нейронной сети.
Шаг 2 – Наш основной мотив – классифицировать изображения, используя рекуррентную нейронную сеть, где мы рассматриваем каждую строку изображения как последовательность пикселей. Форма изображения MNIST определена как 28 * 28 пикселей. Теперь мы будем обрабатывать 28 последовательностей по 28 шагов для каждого упомянутого образца. Мы определим входные параметры, чтобы получить последовательный шаблон.
n_input = 28 # Ввод данных MNIST с формой img 28*28
n_steps = 28
n_hidden = 128
n_classes = 10
# Вход графа tf
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]))
}
Шаг 3 – Вычислите результаты, используя определенную функцию в RNN, чтобы получить наилучшие результаты. Здесь каждая форма данных сравнивается с текущей формой ввода, и результаты вычисляются для поддержания степени точности.
def RNN(x, weights, biases): x = tf.unstack(x, n_steps, 1) # Определение ячейки lstm с тензорным потоком lstm_cell = rnn.BasicLSTMCell(n_hidden, forget_bias=1.0) # Получить выход ячейки lstm outputs, states = rnn.static_rnn(lstm_cell, x, dtype = tf.float32) # Линейная активация, используя выход внутренней петли rnn последний return tf.matmul(outputs[-1], weights['out']) + biases['out'] pred = RNN(x, weights, biases) # Определение потерь и оптимизатор 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) # Оценить модель correct_pred = tf.equal(tf.argmax(pred,1), tf.argmax(y,1)) accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32)) # Инициализация переменных init = tf.global_variables_initializer()
Шаг 4 – На этом шаге мы запустим график, чтобы получить результаты вычислений. Это также помогает при расчете точности результатов испытаний.
with tf.Session() as sess:
sess.run(init)
step = 1
# Продолжайте тренироваться до достижения максимальных итераций
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:
# Расчет точности партии
acc = sess.run(accuracy, feed_dict={x: batch_x, y: batch_y})
# Рассчитать потери партии
loss = sess.run(cost, feed_dict={x: batch_x, y: batch_y})
print("Iter " + str(step*batch_size) + ", Minibatch Loss= " + \
"{:.6f}".format(loss) + ", Точность Тренировки= " + \
"{:.5f}".format(acc))
step += 1
print("Оптимизация Завершена!")
test_len = 128
test_data = mnist.test.images[:test_len].reshape((-1, n_steps, n_input))
test_label = mnist.test.labels[:test_len]
print("Точность Испытания:", \
sess.run(accuracy, feed_dict={x: test_data, y: test_label}))
