人工智能原理第4章：TensorFlow运作方式.pptx

人工智能原理：基于Python语言和TensorFlow张明 副教授 第四章：TensorFlow运作方式数据的准备和下载图表构建与推理损失与训练状态检查与可视化状态检查与可视化评估模型评估图表的构建与输出4.1：数据的准备和下载以MNIST为例。4.1：数据的准备和下载1.提供Python源代码用于自动下载和安装这个数据集。********************************************************************************import tensorflow.examples.tutorials.mnist.input_datamnist = input_data.read_data_sets(MNIST_data/, one_hot=True)********************************************************************************2.确认并解压缩文件********************************************************************************data_sets = input_data.read_data_sets(FLAGS.train_dir,FLAGS.fake_data)********************************************************************************第四章：TensorFlow运作方式数据的准备和下载图表构建与推理损失与训练状态检查与可视化状态检查与可视化评估模型评估图表的构建与输出4.2：图表构建与推理1 图表构建2 推理 运行mnist.py文件了，经过三阶段的模式函数操作：inference()，loss()和training()，图表就构建完成了。（1）inference()——尽可能地构建好图表，满足促使神经网络向前反馈并做出预测的要求。（2）loss()——往inference图表中添加生成损失（loss）所需要的操作（ops）。（3）training()——往损失图表中添加计算并应用梯度（gradients）所需的操作。在run_training()这个函数的一开始，是一个Python语言中的with命令，这个命令表明所有已经构建的操作都要与默认的tf.Graph全局实例关联起来，代码如下所示。with tf.Graph().as_default():tf.Graph实例是一系列可以作为整体执行的操作。TensorFlow的大部分场景只需要依赖默认图表一个实例即可。4.2：图表构建与推理1 图表构建2 推理inference()函数会尽可能地构建图表，做到返回包含了预测结果（output prediction）的张量。4.3：损失与训练1 损失2 训练1：损失loss()函数通过添加所需的损失操作，进一步构建图表。首先，labels_placeholer中的值将被编码为一个含有1-hot values的张量。例如，如果类标识符为3，那么该值就会被转换为[0, 0, 0, 1, 0, 0, 0, 0, 0, 0]，代码如下所示。**************************************************************************************batch_size = tf.size(labels)labels = tf.expand_dims(labels, 1)indices = tf.expand_dims(tf.range(0, batch_size, 1), 1)concated = tf.concat(1, [indices, labels])onehot_labels = tf.sparse_to_dense(concated, tf.pack([batch_size, NUM_CLASSES]), 1.0, 0.0)**************************************************************************************添加一个tf.nn.softmax_cross_entropy_with_logits操作，用来比较inference()函数与1-hot标签所输出的logits张量，代码如下所示。**************************************************************************************cross_entropy