Tensorflow 实现 Multilayer Perceptron(多层感知器) 模型

下面开始用 Tensorflow 实现 Multilayer Perceptron(多层感知器) 模型
这里数据使用的是实战（一）和实战（二）中的 MNIST 的图片分类数据

1.导入 tensorflow 包并下载 MNIST 数据

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

import tensorflow as tf

首先也准备数据，如果本地已经下载好了数据，input_data下的read_data_sets则不会重新下载数据，而是将数据加载进来。
这里用到的 tensorflow 版本为 1.0.0，其他版本没有测试。

2.定义训练参数和网络参数

# Parameter
learning_rate = 0.001
training_epochs = 15
batch_size = 100
display_step = 1

# Network Parameters
n_hidden_1 = 256 # 1st layer number of features
n_hidden_2 = 256 # 2nd layer number of features
n_input = 784 # MNIST data input (img shape: 28*28)
n_classes = 10 # MNIST total classes (0-9 digits)

参数说明：

训练时的参数，比如学习率、训练轮数、训练批次的大小和结果显示的步长
网络结构参数，隐藏层的单元数、网络的输入和输出数

3.定义模型的输入、输出

# tf Graph Input
x = tf.placeholder("float", [None, n_input])
y = tf.placeholder("float", [None, n_classes])

这里用 placeholder 来装载输入、输出变量，格式为 float

x: 训练数据集，维度为 _ * 784 (MNIST 的图像shape 为 28*28)

y: 测试数据集，维度 _ * 10 (这里对应的是0-9的10分类问题)

4.定义网络的权重和偏置

# store layers weight and bias
weights = {
    'h1': tf.Variable(tf.random_normal([n_input, n_hidden_1])),
    'h2': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2])),
    'out': tf.Variable(tf.random_normal([n_hidden_2, n_classes]))
}

biases = {
    'b1': tf.Variable(tf.random_normal([n_hidden_1])),
    'b2': tf.Variable(tf.random_normal([n_hidden_2])),
    'out': tf.Variable(tf.random_normal([n_classes]))
}

因为网络中有两个隐藏层h1、h2和一个输出层out，其中hidden layer1的输出作为hidden layer2的输入，hidden layer2的输出作为out layer的输入。偏置项是一个一维的向量，维度等于各层的神经元个数。

参数通过tf的Variable来定义，采用random_normal(正态、随机)对tensor进行初始化。

5.定义Multilayer Perceptron模型

# Create model
def multilayer_perceptron(x, weights, biases):
    # Hidden layer with RELU activation
    layer_1 = tf.add(tf.matmul(x, weights['h1']), biases['b1'])
    layer_1 = tf.nn.relu(layer_1)
    # Hidden layer with RELU activation
    layer_2 = tf.add(tf.matmul(layer_1, weights['h2']), biases['b2'])
    layer_2 = tf.nn.relu(layer_2)
    # Output layer with linear activation
    out_layer = tf.matmul(layer_2, weights['out']) + biases['out']
    return out_layer

可以看到hidden layer1 和 hidden layer2 的定义除了输入输出的维度不同，其它都是相同的。其实就是：

$y=wx+b$

并用了Relu对输出进行激励。Relu(激励函数)可以理解为对于输出的一种强化，来看一下Relu的曲线：

Relu激活函数

可以理解为对于大于阈值就保留，而小于阈值就置为0。

6.定于模型的损失函数、优化策略

# Construct model
pred = multilayer_perceptron(x, weights, biases)

# Define loss and optimizer
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)

# Initializiing the variables
init = tf.global_variables_initializer()

损失函数：采用的是交叉熵损失函数
优化函数：采用的是Adam，还有多种不同的优化器供选择。（可以参考http://blog.csdn.net/liyuan123zhouhui/article/details/68946448这篇博文，里面对各种优化器有很好的介绍）

7.模型运行和结果输出

# 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_x, batch_y = mnist.train.next_batch(batch_size)
            # Run optimization op (backprop) and cost op (to get loss value)
            _, c = sess.run([optimizer, cost], feed_dict={x: batch_x, y: batch_y})
            
            # Compute average loss
            avg_cost += c/total_batch
        # Display logs per epoch step
        if epoch % display_step == 0:
            print("Epoch:", "%04d" % (epoch+1), 'cost=','{:.9f}'.format(avg_cost))
    print ("Optimization Finished")
    
    # Test Model
    correct_prediction = tf.equal(tf.argmax(pred,1), tf.argmax(y,1))
    # calculate accuracy
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
    print ("Accuracy:", accuracy.eval({x: mnist.test.images, y: mnist.test.labels}))

最终Multilayer Perceptron模型在测试数据集上的准确率可以达到0.944

Accuracy: Accuracy: 0.944

比用tensorflow实现的传统模型具有更好的准确率。

Tensorflow实战系列

（三）用tensorflow实现Multilayer Perceptron