TensorFlow - 单层感知器

为了理解单层感知器，重要的是要理解人工神经网络 (ANN)。人工神经网络是一种信息处理系统，其机制受到生物神经电路功能的启发。人工神经网络拥有许多相互连接的处理单元。以下是人工神经网络的示意图：

该图显示隐藏单元与外部层通信。而输入和输出单元仅通过网络的隐藏层进行通信。

节点的连接模式、层的总数和输入与输出之间节点的级别以及每层的神经元数量定义了神经网络的架构。

有两种架构类型。这些类型关注人工神经网络的功能如下：

• 单层感知器
• 多层感知器

单层感知器

单层感知器是第一个提出的神经模型。神经元的局部存储器的内容包含一个权重向量。单层感知器的计算是通过计算输入向量的总和来执行的，每个输入向量都乘以权重向量的对应元素。输出中显示的值将成为激活函数的输入。

让我们关注使用 TensorFlow 对图像分类问题实现单层感知器。通过“逻辑回归”的表示来说明单层感知器的最佳示例。

现在，让我们考虑训练逻辑回归的以下基本步骤：

• 在训练开始时，权重用随机值初始化。

• 对于训练集的每个元素，使用期望输出与实际输出之间的差值计算误差。计算出的误差用于调整权重。

• 重复此过程，直到整个训练集的误差小于指定的阈值，或者达到最大迭代次数。

下面提到了用于评估逻辑回归的完整代码：

# Import MINST data 
from tensorflow.examples.tutorials.mnist import input_data 
mnist = input_data.read_data_sets("/tmp/data/", one_hot = True) 

import tensorflow as tf 
import matplotlib.pyplot as plt 

# Parameters 
learning_rate = 0.01 
training_epochs = 25 
batch_size = 100 
display_step = 1 

# tf Graph Input 
x = tf.placeholder("float", [None, 784]) # mnist data image of shape 28*28 = 784 
y = tf.placeholder("float", [None, 10]) # 0-9 digits recognition => 10 classes 

# Create model 
# Set model weights 
W = tf.Variable(tf.zeros([784, 10])) 
b = tf.Variable(tf.zeros([10])) 

# Construct model 
activation = tf.nn.softmax(tf.matmul(x, W) + b) # Softmax 

# Minimize error using cross entropy 
cross_entropy = y*tf.log(activation) 
cost = tf.reduce_mean\ (-tf.reduce_sum\ (cross_entropy,reduction_indices = 1)) 

optimizer = tf.train.\ GradientDescentOptimizer(learning_rate).minimize(cost) 

#Plot settings 
avg_set = [] 
epoch_set = [] 

# Initializing the variables init = tf.initialize_all_variables()
# Launch the graph 
with tf.Session() as sess:
   sess.run(init)
   
   # Training cycle
   for epoch in range(training_epochs):
      avg_cost = 0.
      total_batch = int(mnist.train.num_examples/batch_size)
      
      # Loop over all batches
      for i in range(total_batch):
         batch_xs, batch_ys = \ mnist.train.next_batch(batch_size)
         # Fit training using batch data sess.run(optimizer, \ feed_dict = {
            x: batch_xs, y: batch_ys}) 
         # Compute average loss avg_cost += sess.run(cost, \ feed_dict = {
            x: batch_xs, \ y: batch_ys})/total_batch
      # Display logs per epoch step
      if epoch % display_step == 0:
         print ("Epoch:", '%04d' % (epoch+1), "cost=", "{:.9f}".format(avg_cost))
            avg_set.append(avg_cost) epoch_set.append(epoch+1)
   print ("Training phase finished")
    
   plt.plot(epoch_set,avg_set, 'o', label = 'Logistic Regression Training phase') 
   plt.ylabel('cost') 
   plt.xlabel('epoch') 
   plt.legend() 
   plt.show() 
    
   # Test model 
   correct_prediction = tf.equal(tf.argmax(activation, 1), tf.argmax(y, 1)) 
   
   # Calculate accuracy 
   accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float")) print 
      ("Model accuracy:", accuracy.eval({x: mnist.test.images, y: mnist.test.labels}))

输出

以上代码生成以下输出：

逻辑回归被认为是一种预测分析。逻辑回归用于描述数据并解释一个依赖的二元变量与一个或多个名义或自变量之间的关系。