【最新TensorFlow1.4.0教程02】利用Eager Execution 自定义操作和梯度 (可在 GPU 运行)

点击上方“专知”关注获取更多AI知识!

【导读】主题链路知识是我们专知的核心功能之一，为用户提供AI领域系统性的知识学习服务，一站式学习人工智能的知识，包含人工智能（ 机器学习、自然语言处理、计算机视觉等）、大数据、编程语言、系统架构。使用请访问专知 进行主题搜索查看 - 桌面电脑访问http://www.zhuanzhi.ai, 手机端访问http://www.zhuanzhi.ai 或关注微信公众号后台回复" 专知"进入专知，搜索主题查看。随着TensorFlow 1.4 Eager Execution的出现，TensorFlow的使用出现了革命性的变化。专知为大家推出TensorFlow 1.4系列教程：

• 02： 利用 Eager Execution 自定义操作和梯度 (可在 GPU 上运行)

• 待定

使用Eager Execution自定义操作及其梯度函数

在老版本的TensorFlow中，编写自定义操作及其梯度非常麻烦，而且像编写能在GPU上运行的操作和梯度需要用C++编写。TensorFlow 1.4中Eager Execution特性的引入，使得自定义操作和梯度变得非常简单。下面的例子是我用TensorFlow 1.4的Eager Execution特性编写的Softmax激活函数及其梯度，这个自定义的操作可以像老版本中的tf.nn.softmax操作一样使用，并且在梯度下降时可以使用自定义的梯度函数。

import tensorflow as tf
import tensorflow.contrib.eager as tfe
import numpy as np

# 开启Eager Execution
tfe.enable_eager_execution()

# 展示信息的间隔
verbose_interval = 500

# 加了注解之后，可以自定义梯度，如果不加注解，tf会自动计算梯度
# 加了注解之后，需要返回两个值，第一个值为loss，第二个值为梯度计算函数
# 本函数的参数中，step表示当前所在步骤，x表示Softmax层的输入，y是one-hot格式的label信息
@tfe.custom_gradient
def softmax_loss(step, x, y):
   # 将x限定在-20和20之间，防止产生过大的值
   x = tf.clip_by_value(x, -20, 20);
   exp = tf.exp(x)
   sum = tf.reduce_sum(exp, 1)
   sum = tf.reshape(sum, [-1, 1])
   # Softmax中的归一化
   sm = tf.divide(exp, sum)
   # 用Cross-Entropy计算Softmax的损失函数
   loss = -tf.log(tf.clip_by_value(sm, 1e-10, 1.0)) * y
   loss = tf.reduce_mean(loss)

   if step % verbose_interval == 0:
       # 计算准确率
       predict = tf.argmax(sm, 1).numpy()
       target = np.argmax(y, 1)
       accuracy = (predict == target).sum() / len(target)
       print("\nstep: {}".format(step))
       print("accuracy = {}".format(accuracy))

   # 定义梯度函数
   def grad(_):
       # Softmax在Cross-Entropy下梯度非常简单
       # 即 object - target
       d = sm - y
       # 需要返回损失函数相对于softmax_loss每个参数的梯度
       # 第一和第三个参数不需要训练，因此将梯度设置为None
       return None, d, None

   #返回损失函数和梯度函数
   return loss, grad

下面，我们使用自定义的softmax层来实现一个用多层神经网络分类手写数字数据集的示例。

使用自定义的Softmax层分类MNIST数据集

MNIST数据集

MNIST由手写数字图片组成，包含0-9十种数字，常被用作测试机器学习算法性能的基准数据集。MNIST包含了一个有60000张图片的训练集和一个有10000张图片的测试集。深度学习在MNIST上可以达到99.7%的准确率。TensorFlow中直接集成了MNIST数据集，无需自己单独下载。

神经网络结构

本教程使用具有1个隐藏层的MLP作为网络的结构，使用RELU作为隐藏层的激活函数，使用SOFTMAX作为输出层的激活函数。

从图中可以看出，网络具有输入层、隐藏层和输出层一共3层，但在代码编写时，会将该网络看作由2个层组成（2次变换）：

• Layer 0: 一个Dense Layer（全连接层），由输入层进行线性变换变为隐藏层，并使用RELU对变换结果进行激活。用公式表达形式为H= relu(XW_0 + b_0)，其中:

• X: 输入层，是形状为[batch_size, input_dim]的矩阵，矩阵的每行对应一个样本，每列对应一个特征（一个像素）

• H: 隐藏层的输出，是形状为[batch_size, hidden_dim]的矩阵，矩阵的每行对应一个样本隐藏层的输出

• relu: 使用RELU激活函数进行激活

• W_0: 形状为[input_dim, hidden_dim]的矩阵，是全连接层线性变换的参数

• b_0: 形状为[hidden_dim]的矩阵，是全连接层线性变换的参数（偏置）

• Layer 1: 一个Dense Layer(全连接层)，由隐藏层进行线性变换为输出层，并使用SOFTMAX对变换结果进行激活。用公式表达形式为：OUTPUT = softmax(HW_1 + b_1)，其中：

• OUTPUT: 输出层，是形状为[batch_size, output_dim]的矩阵，矩阵的每行对应一个样本，每列对应样本属于某类的概率。例如该例子中第0列表示输入手写数字为1的概率。

• softmax: 使用SOFTMAX激活函数进行激活

• W_1: 形状为[hidden_dim, output_dim]的矩阵，是全连接层线性变换的参数

• b_1: 形状为[output_dim]的矩阵，是全连接层线性变换的参数（偏置）

神经网络的训练过程，即神经网络参数的调整过程。待参数能够很好地预测测试集中样本的类别（label），神经网络就训练成功了。

Eager Execution实现的多层神经网络代码

#coding=utf-8
from tensorflow.examples.tutorials.mnist import input_data

import tensorflow as tf
import tensorflow.contrib.eager as tfe
import numpy as np

# 开启Eager Execution
tfe.enable_eager_execution()

# 使用TensorFlow自带的MNIST数据集，第一次会自动下载，会花费一定时间
mnist = input_data.read_data_sets("/data/mnist", one_hot=True)

# 展示信息的间隔
verbose_interval = 500

# 加了注解之后，可以自定义梯度，如果不加注解，tf会自动计算梯度
# 加了注解之后，需要返回两个值，第一个值为loss，第二个值为梯度计算函数
# 本函数的参数中，step表示当前所在步骤，x表示Softmax层的输入，y是one-hot格式的label信息
@tfe.custom_gradient
def softmax_loss(step, x, y):
   # 将x限定在-20和20之间，防止产生过大的值
   x = tf.clip_by_value(x, -20, 20);
   exp = tf.exp(x)
   sum = tf.reduce_sum(exp, 1)
   sum = tf.reshape(sum, [-1, 1])
   # Softmax中的归一化
   sm = tf.divide(exp, sum)
   # 用Cross-Entropy计算Softmax的损失函数
   loss = -tf.log(tf.clip_by_value(sm, 1e-10, 1.0)) * y
   loss = tf.reduce_mean(loss)

   if step % verbose_interval == 0:
       # 计算准确率
       predict = tf.argmax(sm, 1).numpy()
       target = np.argmax(y, 1)
       accuracy = (predict == target).sum() / len(target)
       print("\nstep: {}".format(step))
       print("accuracy = {}".format(accuracy))

   # 定义梯度函数
   def grad(_):
       # Softmax在Cross-Entropy下梯度非常简单
       # 即 object - target
       d = sm - y
       # 需要返回损失函数相对于softmax_loss每个参数的梯度
       # 第一和第三个参数不需要训练，因此将梯度设置为None
       return None, d, None

   #返回损失函数和梯度函数
   return loss, grad

with tf.device("/gpu:0"):
   # 第一层网络的参数，输入为28*28=784维，隐藏层150维
   W0 = tf.get_variable("W0", shape=[784, 150])
   b0 = tf.get_variable("b0", shape=[150])
   # 第二层网络的参数，一共有10类数字，因此输出为10维
   W1 = tf.get_variable("W1", shape=[150, 10])
   b1 = tf.get_variable("b1", shape=[10])

   # 构建多层神经网络
   def mlp(step, x, y, is_train = True):
       hidden = tf.matmul(x, W0) + b0
       hidden = tf.nn.relu(hidden)
       # 如果在训练，使用dropout层防止过拟合
       # Eager Execution使得我们可以利用Python的if语句动态调整网络结构
       if is_train:
           hidden = tf.nn.dropout(hidden, keep_prob = 0.75)
       logits = tf.matmul(hidden, W1) + b1
       # 调用我们自定义的Softmax层
       loss = softmax_loss(step, logits, y)
       if step % verbose_interval == 0:
           print("loss = {}".format(loss.numpy()))
       return loss

   optimizer = tf.train.AdamOptimizer(learning_rate = 1e-3)

   # 执行3000步
   for step in range(3000):
       # 生成128个数据，batch_data是图像像素数据，batch_label是图像label信息
       batch_data, batch_label = mnist.train.next_batch(128)
       # 梯度下降优化网络参数
       optimizer.minimize(lambda: mlp(step, batch_data, batch_label))

运行结果：

step: 0
accuracy = 0.078125
loss = 0.25111961364746094

step: 500
accuracy = 0.9296875
loss = 0.023569952696561813

step: 1000
accuracy = 0.9453125
loss = 0.01356084831058979

step: 1500
accuracy = 0.96875
loss = 0.008165322244167328

step: 2000
accuracy = 0.953125
loss = 0.009977160021662712

step: 2500
accuracy = 0.984375
loss = 0.0029998861718922853

随着训练的进行，多层神经网络的准确率越来越高，损失越来越小。不过这两个指标并不能真正反映分类器的质量，因为我们是在训练数据集上测试的，严格来说，应该在测试数据集上进行测试。由于篇幅有限，这里就不介绍如何在训练集上进行测试了。

特注：

获取TensorFlow1.4.0代码最新更新，请登录www.zhuanzhi.ai或者点击阅读原文，顶端搜索“ TensorFlow” 主题，查看获得TensorFlow最新更新代码与知识等资料！如下图所示~ 

请加入TensorFlow学习群交流~

请扫描小助手，加入专知人工智能群，交流分享~

此外，请关注专知公众号（扫一扫最下面专知二维码，或者点击上方蓝色专知），获取更多专知荟萃知识资料全集获取，请查看：

欢迎转发到你的微信群和朋友圈，分享专业AI知识！

请扫描小助手，加入专知人工智能群，交流分享~

获取更多关于机器学习以及人工智能知识资料，请访问www.zhuanzhi.ai,  或者点击阅读原文，即可得到！

-END-

欢迎使用专知

专知，一个新的认知方式！目前聚焦在人工智能领域为AI从业者提供专业可信的知识分发服务, 包括主题定制、主题链路、搜索发现等服务，帮你又好又快找到所需知识。

使用方法>>访问www.zhuanzhi.ai, 或点击文章下方“阅读原文”即可访问专知

中国科学院自动化研究所专知团队

@2017 专知

专 · 知

关注我们的公众号，获取最新关于专知以及人工智能的资讯、技术、算法、深度干货等内容。扫一扫下方关注我们的微信公众号。

点击“阅读原文”，使用专知！