- 浏览: 702249 次
- 性别:
- 来自: 北京
-
文章分类
- 全部博客 (181)
- Matlab (16)
- Java (26)
- autoHotkey (4)
- openCV (1)
- C++ (50)
- PDF-XChange Viewer (2)
- 学术 (11)
- javascript (4)
- linux (11)
- SWT (9)
- latex (7)
- GAE (2)
- windows (6)
- C# (3)
- PS (20)
- JNI (4)
- latex,批处理 (0)
- 批处理 (4)
- Android (5)
- 矩阵论 (1)
- SVM (1)
- 概率图模型 (0)
- Python (12)
- Eigen (5)
- 编程题 (1)
- MKL (1)
- 神经网络 (9)
- 最优化 (2)
- 摄影 (1)
- PPT (0)
- After Effects (3)
- CUDA (3)
- caffe (0)
- MXNet (2)
- svn (1)
- R (0)
- 虚拟机 (0)
- tensorflow (7)
- theano (1)
- Keras (1)
- vim (1)
- xgboost (1)
- spark (6)
- eclipse (2)
- word2vec (0)
- hadoop (1)
- dmlc (1)
- git (0)
最新评论
-
jeffersonz:
请问大神,这个插件记录下来的脚本为什么不能再Extendscr ...
PhotoShop - 记录PS的所有操作为JavaScript代码 -
cherishLC:
Andy__Zou 写道cherishLC 写道Andy__Z ...
Eigen的编译选项;MKL的使用 -
Andy__Zou:
cherishLC 写道Andy__Zou 写道cherish ...
Eigen的编译选项;MKL的使用 -
cherishLC:
Andy__Zou 写道cherishLC 写道Andy__Z ...
Eigen的编译选项;MKL的使用 -
Andy__Zou:
cherishLC 写道Andy__Zou 写道 您好,您的工 ...
Eigen的编译选项;MKL的使用
将category变量输入到神经网络中时需要进行embedding表示,
最著名的莫过于word2vec,相应的tensorflow官方教程为:https://www.tensorflow.org/versions/r0.9/tutorials/word2vec/index.html#vector-representations-of-words
本文参考以上教程中的embedding代码,,重点练习两方面:
示例输出:
epoch=96, avg_loss: 0.000034
epoch=97, avg_loss: 0.000034
epoch=98, avg_loss: 0.000034
epoch=99, avg_loss: 0.000033
type(outputs)
<type 'numpy.ndarray'>
3 + 5 = 8 ; is Correct? True
2 + 5 = 7 ; is Correct? True
4 + 3 = 7 ; is Correct? True
0 + 1 = 1 ; is Correct? True
话不多说,代码如下:
最著名的莫过于word2vec,相应的tensorflow官方教程为:https://www.tensorflow.org/versions/r0.9/tutorials/word2vec/index.html#vector-representations-of-words
本文参考以上教程中的embedding代码,,重点练习两方面:
- 1、category变量的embedding表示
- 2、多变量embedding表示的串联
- 输入:两个整数,, 取值范围 [0,5]
- 输出:两个整数的和(one-hot 表示),即输出共有11个单元,对应于 0~11
- 样本来源:每次随机产生一组输入(10*2个 0~5之间的整数 及其 和的one-hot 表示)
示例输出:
epoch=96, avg_loss: 0.000034
epoch=97, avg_loss: 0.000034
epoch=98, avg_loss: 0.000034
epoch=99, avg_loss: 0.000033
type(outputs)
<type 'numpy.ndarray'>
3 + 5 = 8 ; is Correct? True
2 + 5 = 7 ; is Correct? True
4 + 3 = 7 ; is Correct? True
0 + 1 = 1 ; is Correct? True
话不多说,代码如下:
''' Created on Jul 28, 2016 @author: colinliang ''' from __future__ import absolute_import from __future__ import division from __future__ import print_function import numpy as np import tensorflow as tf minv = np.int32(0); maxv = np.int32(5); totalLength = (maxv - minv + 1) * 2 - 1; def generate_batch(batch_size): x1 = np.random.randint(minv, maxv + 1, batch_size).astype(np.int32) x2 = np.random.randint(minv, maxv + 1, batch_size).astype(np.int32) y = x1 + x2; yDistributed = np.zeros(shape=(batch_size, totalLength), dtype=np.float32) for i in range(batch_size): yDistributed[i,y[i]]=1.0 yDistributed=yDistributed+1e-20; yDistributed/=np.sum(yDistributed, axis=1, keepdims=True) return x1, x2, yDistributed x1, x2, yD = generate_batch(10) # print(x1) # print(x2) # print(yD) batch_size = 10; graph = tf.Graph() with graph.as_default(): # Input data. train_inputs1 = tf.placeholder(tf.int32, shape=[batch_size]) train_inputs2 = tf.placeholder(tf.int32, shape=[batch_size]) train_labels = tf.placeholder(tf.float32, shape=[batch_size, totalLength]) #embedding layer embedding_size = 8; embeddings = tf.Variable(tf.random_uniform([totalLength , embedding_size], -1.0, 1.0)) embed1 = tf.nn.embedding_lookup(embeddings, train_inputs1); embed2 = tf.nn.embedding_lookup(embeddings, train_inputs2) embed = tf.concat(concat_dim=1, values=[embed1, embed2]) # concat two matrix print('shape of embed1 : \t', str(embed1.get_shape())) print('shape of embed2: \t', str(embed2.get_shape())) print('shape of embed : \t', str(embed.get_shape())) #layer 1 nh1 = 100; w1 = tf.Variable(tf.random_uniform([embedding_size*2, nh1], -1.0, 1.0)); print('w1 shape: ', w1.get_shape()) b1 = tf.Variable(tf.zeros([nh1])) print('b1 shape: ', b1.get_shape()) y1 = tf.matmul(embed, w1) + b1; z1 = tf.nn.relu(y1); #layer 2 nh2 = 100; w2 = tf.Variable(tf.random_uniform([nh1, nh2], -1, 1)) b2 = tf.Variable(tf.zeros([nh2])) y2 = tf.matmul(z1, w2) + b2; z2 = tf.nn.relu(y2); #layer 3-- output layer wo = tf.Variable(tf.random_uniform([nh2, totalLength], -1., 1.)) bo = tf.Variable(tf.zeros([totalLength])) yo = tf.matmul(z2, wo) + bo; print('yo shape: ', yo.get_shape()) print('train_labels shape: ', train_labels.get_shape()) loss = tf.nn.softmax_cross_entropy_with_logits(yo, train_labels,); optimizer = tf.train.GradientDescentOptimizer(1e-3).minimize(loss); # init = tf.initialize_all_variables() num_steps = 10000; with tf.Session(graph=graph) as session: init.run(); print('inited') average_loss = 0 for epoch in range(100): total_loss=0.0; avg_loss=0.0 nstep=1000; for step in range(nstep): x1,x2,yd=generate_batch(batch_size=batch_size) feed_dict = {train_inputs1 : x1, train_inputs2:x2, train_labels : yd}; _, loss_val = session.run([optimizer, loss], feed_dict=feed_dict) total_loss+=np.mean(loss_val) # print(total_loss) avg_loss=total_loss/float(nstep); # print(avg_loss) print('epoch=%d, avg_loss: %f'%(epoch, avg_loss)) # use add to add two number for step in range(5): x1,x2,yd=generate_batch(batch_size=batch_size) feed_dict = {train_inputs1 : x1, train_inputs2:x2, train_labels : yd}; yo.eval(feed_dict); outputs = session.run(yo, feed_dict=feed_dict) sums=np.argmax(outputs, axis=1) for i in range(outputs.shape[0]): print(str(x1[i]), '+', str(x2[i]),'=', str(sums[i]), ';\tis Correct? ', str(x1[i]+x2[i]==sums[i]))
发表评论
-
tensorflow 静态编译笔记 -- linux系统
2018-11-05 14:26 0注: 1、编译tensorflow静态库 很简单,参见: h ... -
通过multiprocessing模块及时释放tensorflow的资源
2018-09-18 13:29 4250在使用tf.data等模块时,tensorflow会产生内存泄 ... -
Tensorflow 通过性能分析工具查看变量位置
2017-03-30 16:20 5330发现个更好的方法,只 ... -
tensorflow中的word2vec
2017-03-21 11:12 0官方tutorial: https://www.tensorf ... -
tensorflow 字符串转数字(hash函数, 字符串解析为数字)
2017-02-10 10:42 0问题描述 tensorflow可以直接解析csv文件, 但是对 ... -
tensorflow 单机多卡示例--数据并行
2017-01-05 14:44 9563本文参考自官方的cifar10 ... -
神经网络的初始误差估计-采用cross-entropy误差时
2016-09-28 10:14 1619初始状态下,由于网络的权重时随机初始化的,任意一个样本被分配到 ... -
tensorflow杂记
2016-09-18 12:04 11685本文记录使用tensorflow AP ... -
Keras切换backend : theano --> tensorflow
2016-09-07 10:57 67571、切换backend 修改~/.keras/keras.js ... -
Ubuntu16.04 源码安装GPU版tensorflow
2016-08-07 16:18 56822017年2月16日更新: tenso ... -
tensorflow 之tensorboard
2016-07-12 11:15 01、端口被占用 开启第二个tensorboard时会出现此种情 ... -
windows 10下安装GPU版MXNet
2016-06-03 21:28 8652上回说到编译CPU版的MXNet: http://cheris ... -
cs231n 笔记
2016-05-26 23:36 01、python3中 cifar10数据库的读取 cs231n ... -
mxnet资料汇总
2016-05-23 23:13 0MXNet设计和实现简介(中文版):http://mxnet. ... -
windows下安装CPU版mxnet
2016-05-23 23:14 17685MXnet (mix net)类似Caffe,Tensorfl ... -
吐槽一下UFLDL上神经网络反向传播算法的公式
2014-09-28 21:52 4141在斯坦福的神经网络课件的反向传播算法一节(http://ufl ...
相关推荐
2. **计算图**:TensorFlow中的计算过程是通过构建一个包含节点(操作)和边(张量)的有向图来表示的。每个节点代表一个数学运算,边则代表张量。 3. **会话**:TensorFlow程序中运行计算图的部分。在会话中,我们...
在 TensorFlow 中,程序的核心是基于图的计算模型。每个计算步骤被视为图中的一个节点,而数据则通过边在网络中流动。下面是一个简单的示例: ```python import tensorflow as tf # 定义变量,即占位符 a = tf....
在TensorFlow中,计算过程被定义为一个计算图,其中节点代表操作,边则表示张量数据流。这种图形表示使得计算可以在不同的硬件平台上高效执行,包括CPU、GPU甚至TPU。 **基本操作** 在TensorFlow中,我们首先需要...
从简单的张量操作到复杂的神经网络构建,TensorFlow都提供了强大的支持。熟练掌握这些函数将有助于开发者更高效地进行模型开发和优化工作。希望本文能帮助您更好地理解TensorFlow,并在实际项目中运用自如。
本文对 TensorFlow 中常用的函数进行了全面梳理,涵盖了张量操作、数学运算、矩阵操作、神经网络组件等多个方面。掌握这些函数不仅能够帮助初学者快速入门,也有助于进阶用户更高效地开发复杂的深度学习模型。通过...