自己动手写深度学习模型之全连接神经网络

本文作者王乐，首发于知乎专栏【每天都要机器学习哦】，AI 研习社获得作者授权转载

前半个多月总共写了三篇深度学习相关的理论介绍文章，另外两个月前，我们使用逻辑回归算法对sklearn里面的moons数据集进行了分类实验，最终准确率和召回率都达到了97.9%，详情参看这篇文章：一文打尽：线性回归和逻辑斯蒂线性回归（https://zhuanlan.zhihu.com/p/31075733），今天我们尝试使用神经网络来进行分类。全连接神经网络的搭建本身没什么难度，几句代码就够了，但是本文的真正目的是：

让大家了解Tensorflow 的基本使用方法；

使用 tensorboard 可视化你的神经网络结构和变量的更新情况；

断点保存模型，可以在训练意外中断之后再次运行时接着中断之前的状态继续训练；

展示全连接神经网络是不是真的可以拟合任意函数，拟合效果怎样。

了解以上前三点操作之后，你可以移植到任何网络之中，这样有助于你更好的训练模型，调参。

加载数据

defload_data(noise=0.1):

fromsklearn.datasetsimportmake_moons

m =2000

X_moons, y_moons = make_moons(m, noise=noise, random_state=42)

returnX_moons, y_moons

我们在moons 数据集中取2000 个点，其中参数 noise 表示在数据集中随机增加噪声；X_moons 是一个2维的数组，shape 为（2000，2）；y_moons 为1维数组，shape为（2000，）。具体数据可以参考线性回归那篇文章。

随机 batch

训练模型时，我们通常会将数据一批一批的丢给模型取训练，而不是每次都把所有数据丢进取训练，这么做的理由和好处在文章深度学习中的优化问题以及常用优化算法中已经做过说明。因此在每一步训练中我们需要在训练集中随机取batch_size 个训练数据出来，上述函数实现的就是这个功能。当然这个代码这样写的话，有些训练样本可能一次都不会被取到，有的样本会经常取到，但这是无关紧要的。

划分训练集和测试集

test_ratio =.2

test_size = int(len(data) * test_ratio)

X_train = data[:-test_size]

X_test = data[-test_size:]

y_train = label[:-test_size]

y_test = label[-test_size:]

上述代码不需要解释。

建立全连接神经网络层

# regularizer =tf.contrib.layers.l2_regularizer(lambd)def fc_layers(input_tensor,regularizer):

HINDENN1 =6

HINDENN2 =4

withtf.name_scope("full-connect-layer"):

fc1 =tf.layers.dense(input_tensor, HINDENN1, activation=tf.nn.elu,\

kernel_regularizer=regularizer, name="fc1")

fc2 =tf.layers.dense(fc1, HINDENN2, activation=tf.nn.elu,\

kernel_regularizer=regularizer, name="fc2")

returnfc2

在这个实验中，我直搭建两个隐藏层的全连接网络，第一个隐藏层 6 个神经元，第二层隐藏出 4个神经元。激活函数使用ELU，因为我之前介绍激活函数时说过，我们应该优先选择ELU激活函数。在全连接中使用了L2正则化，lambd 表示正则系数，这里数据量比较少，我取的正则系数也比较小，为0.01。

搭积木一样搭建整个模型的结构

n_inputs = X_train.shape[1]

n_outputs =len(set(y_train))

withtf.name_scope("input"):

X=tf.placeholder(tf.float32, shape=(None, n_inputs), name="X")

y=tf.placeholder(tf.int32, shape=(None), name="y")

regularizer =tf.contrib.layers.l2_regularizer(lambd)

fc2 = fc_layers(X,regularizer)

withtf.name_scope("output"):

logits =tf.layers.dense(fc2, n_outputs, kernel_regularizer=regularizer,name="output")

withtf.name_scope('loss'):

xentropy =tf.nn.sparse_softmax_cross_entropy_with_logits(labels =y, logits= logits)

loss =tf.reduce_mean(xentropy, name ='loss')

loss_summary =tf.summary.scalar('loss', loss)

global_step =tf.Variable(, trainable = False)

withtf.name_scope('train'):

optimizer =tf.train.AdamOptimizer(learning_rate)

grads_and_vars = optimizer.compute_gradients(loss)

train_op = optimizer.apply_gradients(grads_and_vars, global_step=global_step)

withtf.name_scope('eval'):

predictions =tf.argmax(logits,1)

correct =tf.nn.in_top_k(logits,y,1)

accuracy =tf.reduce_mean(tf.cast(correct,tf.float32))

acc_summary =tf.summary.scalar('acc', accuracy)

summary_op =tf.summary.merge([loss_summary, acc_summary])

这里建立了输入层"input"，输出层"output"，输出层也是使用全连接网络，它将第二个隐藏层和输出层（2个输出神经元）连接起来；使用交叉熵计算损失，建立损失节点'loss'，使用语句tf.summary.scalar('loss', loss) 将每一步的损失值写入到文件中；在‘train’节点中，使用了 Adam 优化算法，之前我在在介绍优化算法时叶说过，应该优先考虑使用 Adam 优化算法；最后是 'eval' 节点，这里有预测输出结果 predictions，预测结果中正确的个数 correct ，根据预测正确与否计算准确率 accuracy ，语句 tf.summary.scalar('acc', accuracy) 将正确率数值实时写入文件中；使用 tf.summary.merge([loss_summary, acc_summary]) 语句将上述两个需要写入文件的值 merge ，方便之后tensorflow 计算。

模型结构如下：

定义模型和变量的保存地址

checkpoint_path="./chickpoints/model.ckpt"

checkpoint_epoch_path= checkpoint_path +".epoch"

final_model_path="./chickpoints/model"

now= datetime.utcnow().strftime("%Y%m%d%H%M%S")

logdir='./logs/'+ now

file_writer= tf.summary.FileWriter(logdir, tf.get_default_graph())

saver= tf.train.Saver()

为了防止训练的意外终止，我们需要定期保存模型，checkpoint_path 就是我们临时保存模型的路径；checkpoint_epoch_path 路径保存我们每一次的 epoch数目，如果模型在epoch = 100时中断，那么我可以设置在下次继续运行代码时让代码接着在中断的 100 epoch这里继续运行，而不需要从头开始，这样节省很多时间；final_model_path 为最终模型的保存路径；logdir 为日志文件路径，就是我们保存 tensorboard 文件的地址。

训练和验证

n_epochs = n_epochsbatch_size = batch_sizen_batches =int(np.ceil(len(data) / batch_size))withtf.Session()assess:

init =tf.global_variables_initializer()

ifos.path.isfile(checkpoint_epoch_path):

#ifthe checkpointfileexists, restore the modelandload the epochnumber

withopen(checkpoint_epoch_path,"rb")asf:

start_epoch =int(f.read())

print("Training was interrupted. Continuing at epoch", start_epoch)

saver.restore(sess, checkpoint_path)

else:

start_epoch =

sess.run(init)

forepoch inrange(start_epoch, n_epochs):

forbatch_index inrange(n_batches):

X_batch, y_batch = random_batch(X_train, y_train, batch_size)

sess.run(train_op, feed_dict={X: X_batch,y: y_batch})

loss_val, summary_str,test_pred, test_acc = sess.run(

[loss, summary_op,predictions, accuracy],\

feed_dict={X: X_test,y: y_test})

file_writer.add_summary(summary_str, epoch)

ifepoch %50==:

print("Epoch:", epoch,"\tLoss:", loss_val,"\tAcc:",test_acc)

saver.save(sess, checkpoint_path)

withopen(checkpoint_epoch_path,"wb")asf:

f.write(b"%d"% (epoch +1))

saver.save(sess, final_model_path)

y_pred = predictions.eval(feed_dict={X: X_test,y: y_test})

print('precision_score',precision_score(y_test, y_pred))

print('recall_score',recall_score(y_test, y_pred))

sess.close()

[loss, summary_op,predictions, accuracy],\

feed_dict=)，并且将要保存的日志信息写入文件 file_writer.add_summary(summary_str, epoch)。每 50 epoch 打印测试集上的损失和正确率 print("Epoch:", epoch, "\tLoss:", loss_val,"\tAcc:",test_acc) ，并且保存临时模型。在模型跑完之后，我们对测试集进行预测 y_pred = predictions.eval(feed_dict=)，得到预测结果之后计算测试集的精确率和找回率，打印输出。

整个过程到这里结束。我们看看模型在测试集上的表现：

首先，我们将数据集的 noise 设置为0.1，并且不设置正则化，可以看到，效果非常好，精确率和召回率都达到100%；

在500 epoch 之前就达到100%，并一直保持

在1500epoch左右损失值降到最低，单从noise 设置为0.1看，训练次数多了，可以适当降低epoch次数

但是如果将测试集的noise 设置为0.2和0.3时，模型的表现分别如下：

效果就变的比较差了，泛化能力较差，甚至低于逻辑回归算法。当然逻辑回归使用的噪声只有0.1，不能直接比，但是仍然可以看到当测试数据集噪声大时，模型效果不是很好的。

接下来使用正则化，测试集的noise 分别设置为0.2和0.3，模型效果如下：

模型的准确率在0.970至0.973之间震荡

模型在测试集上的损失虽然很震荡，但是可以看出一直有下降的趋势，我这里设置的5000epoch应该不够，可以加大epoch次数

加正则化之后，泛化效果还是提升不少。最后可以看到，全连接神经网络本身是一个很好的分类器，所以你会在很多网络结构中的最后几层看到全连接神经网络，当然有些模型没有全连接，也不需要见怪不怪，因为有许多算法或者网络结构可以替代全连接分类器。

在接下来的三篇文章我回先介绍卷积神经网络，再像本文一样使用tensorflow搭建一个卷积模型做图像分类，然后接着会有一篇迁移模型的搭建文章。如果喜欢就给个赞呗……

完整代码

https://github.com/wangle1218/Depp-learning-TensorFlow-tutorials/blob/master/fc_clf.pygithub.com

参考资料

Aurélien Géron，《 Hands-On Machine Learning with Scikit-Learn and TensoFlow》

郑泽宇，顾思宇，《TensorFlow -- 实战Google 深度学习框架》

NLP 工程师入门实践班：基于深度学习的自然语言处理

三大模块，五大应用，手把手快速入门 NLP

海外博士讲师，丰富项目经验

算法 + 实践，搭配典型行业应用

随到随学，专业社群，讲师在线答疑