深度学习实例--服装识别（Tensorflow Version）

最新推荐文章于 2025-06-21 21:51:37 发布

Gingkens

最新推荐文章于 2025-06-21 21:51:37 发布

阅读量1.1w

点赞数

CC 4.0 BY-SA版权

分类专栏： Python AI Machine Learning--人工智能文章标签： TensorFlow 深度学习实例

本文链接：https://blog.youkuaiyun.com/qq_34859482/article/details/86503362

1. 说明

之前手搓了一个全连接(FC)神经网络，现在用 TensorFlow 低阶API 重新实现一遍，在理解了神经网络的工作原理之后，框架对于学习无疑是最好的选择，熟练使用框架能压缩构架模型的时间以及排除了大量难以发现（或者说，你发现了，但是解决不了）的 Bug 。由于之前手搓的文章，已经解决一些预处理等问题，所以现在就不会再次提出，但是为了保证代码版本（我不确定有没有修改过），一切辅助函数都会在最后再次贴出。

2. 思路

使用 TensorFlow 建立模型的过程，跟手搓其实差不多。依然是：

初始化
前向传播

由于前向传播的过程决定了反向传播的过程，所以 TensorFlow 依据前向传播来推导出了反向传播，这不仅大大减少了工作量，也在某种角度上来说，使得大多数人都能够使用和学习机器学习。

按得上面的思路，就开始实现了，这里说一下数据的 Shape,X_train.shape == [784, 60000], Y_train.shape == [10, 60000], X_test.shape == [784, 10000], Y_test.shape == [10, 10000]。

3. 初始化

3.1 Placeholder ——TensorFlow 张量

观察下面代码：

def create_placeholder(nx, ny):
    
    X = tf.placeholder(dtype = tf.float64, shape = [784, None], name = 'X')
    Y = tf.placeholder(dtype = tf.float64, shape = [ 10, None], name = 'Y')
    
    return X, Y

上面的函数输入两个参数，返回两个在 TensorFlow 中叫做 Placeholder （占位符）的张量（Tensor）。首先要知道在 TensorFlow 比较重要的概念有 Op 以及 Tensor，其中 Op 表示操作（各种运算）， Tensor 就是我们平时理解的用来运算数据（变量或者常量）。自然 Placeholder 应该归为 Tensor 一类，可以看下面在IPython中的实验（其结果是我们所得理解和接受的）：
在这里插入图片描述
另外，建议使用在IPython环境下实验，例如：输入tf.placeholder?即可以显示关于 placeholder 的用法，不必死记硬背，自然函数说明是英文。

可以发现上面的 Shape = [784, None] ，784 表示输入的特征个数（图片为 28*28），这个自然是固定的； None表示不确定的值，这里自然是我们的数据的个数。以这样的方式创建的占位符会自动检查传入的数据的格式为 [784, m] （m>=1，且m为整数）。因为输入数据的 Shape 的不确定性，所以 TensorFlow 提供了 Placeholder 来表示输入。

3.2 参数初始化

参数初始化的基本跟手搓的一样：

def initialize_parameters(layers_dims):
    
    parameters = {}
    
    L = len(layers_dims)
    for l in range(1, L):
        parameters['W' + str(l)] = tf.get_variable(name = 'W' + str(l), shape = [layers_dims[l], layers_dims[l-1]], dtype = tf.float64,
                                                   initializer = tf.contrib.layers.xavier_initializer())
        parameters['b' + str(l)] = tf.get_variable(name = 'b' + str(l), shape = [layers_dims[l], 1], dtype = tf.float64,
                                                   initialize