開(kāi)發(fā)人員經(jīng)常說(shuō)，如果你想開(kāi)始機(jī)器學(xué)習(xí)，你應(yīng)該首先學(xué)習(xí)算法。但是我的經(jīng)驗(yàn)則不是。

我說(shuō)你應(yīng)該首先了解：應(yīng)用程序如何工作。一旦了解了這一點(diǎn)，深入探索算法的內(nèi)部工作就會(huì)變得更加容易。

那么，你如何 開(kāi)發(fā)直覺(jué)學(xué)習(xí)，并實(shí)現(xiàn)理解機(jī)器學(xué)習(xí)這個(gè)目的？一個(gè)很好的方法是創(chuàng)建機(jī)器學(xué)習(xí)模型。

假設(shè)您仍然不知道如何從頭開(kāi)始創(chuàng)建所有這些算法，您可以使用一個(gè)已經(jīng)為您實(shí)現(xiàn)所有這些算法的庫(kù)。那個(gè)庫(kù)是 TensorFlow。

在本文中，我們將創(chuàng)建一個(gè)機(jī)器學(xué)習(xí)模型來(lái)將文本分類到類別中。我們將介紹以下主題：

1. TensorFlow 的工作原理

2. 什么是機(jī)器學(xué)習(xí)模型

3. 什么是神經(jīng)網(wǎng)絡(luò)

4. 神經(jīng)網(wǎng)絡(luò)如何學(xué)習(xí)

5. 如何操作數(shù)據(jù)并將其傳遞給神經(jīng)網(wǎng)絡(luò)

6. 如何運(yùn)行模型并獲得預(yù)測(cè)結(jié)果

你可能會(huì)學(xué)到很多新東西，所以讓我們開(kāi)始吧！

TensorFlow

TensorFlow 是一個(gè)機(jī)器學(xué)習(xí)的開(kāi)源庫(kù)，由 Google 首創(chuàng)。庫(kù)的名稱幫助我們理解我們?cè)鯓邮褂盟簍ensors 是通過(guò)圖的節(jié)點(diǎn)流轉(zhuǎn)的多維數(shù)組。

tf.Graph

在 TensorFlow 中的每一個(gè)計(jì)算都表示為數(shù)據(jù)流圖，這個(gè)圖有兩類元素：

• 一類 tf.Operation，表示計(jì)算單元

• 一類 tf.Tensor，表示數(shù)據(jù)單元

要查看這些是怎么工作的，你需要?jiǎng)?chuàng)建這個(gè)數(shù)據(jù)流圖：

（計(jì)算x+y的圖）

你需要定義 x = [1,3,6] 和 y = [1,1,1]。由于圖用 tf.Tensor 表示數(shù)據(jù)單元，你需要?jiǎng)?chuàng)建常量 Tensors：

import tensorflow as tf

x = tf.constant([1,3,6])

y = tf.constant([1,1,1])

現(xiàn)在你將定義操作單元：

import tensorflow as tf

x = tf.constant([1,3,6])

y = tf.constant([1,1,1])

op = tf.add(x,y)

你有了所有的圖元素。現(xiàn)在你需要構(gòu)建圖：

import tensorflow as tf

my_graph = tf.Graph()

with my_graph.as_default():

    x = tf.constant([1,3,6])

    y = tf.constant([1,1,1])

    op = tf.add(x,y)

這是 TensorFlow 工作流的工作原理：你首先要?jiǎng)?chuàng)建一個(gè)圖，然后你才能計(jì)算（實(shí)際上是用操作‘運(yùn)行’圖節(jié)點(diǎn)）。你需要?jiǎng)?chuàng)建一個(gè) tf.Session 運(yùn)行圖。

tf.Session

tf.Session 對(duì)象封裝了 Operation 對(duì)象的執(zhí)行環(huán)境。Tensor 對(duì)象是被計(jì)算過(guò)的（從文檔中）。為了做到這些，我們需要在 Session 中定義哪個(gè)圖將被使用到：

import tensorflow as tf

my_graph = tf.Graph()

with tf.Session(graph=my_graph) as sess:

    x = tf.constant([1,3,6])

    y = tf.constant([1,1,1])

    op = tf.add(x,y)

為了執(zhí)行操作，你需要使用方法 tf.Session.run()。這個(gè)方法通過(guò)運(yùn)行必要的圖段去執(zhí)行每個(gè) Operation 對(duì)象并通過(guò)參數(shù) fetches 計(jì)算每一個(gè) Tensor 的值的方式執(zhí)行 TensorFlow 計(jì)算的一’步’：

import tensorflow as tf

my_graph = tf.Graph()

with tf.Session(graph=my_graph) as sess:

    x = tf.constant([1,3,6])

    y = tf.constant([1,1,1])

    op = tf.add(x,y)

    result = sess.run(fetches=op)

    print(result)

>>> [2 4 7]

預(yù)測(cè)模型

現(xiàn)在你知道了 TensorFlow 的工作原理，那么你得知道怎樣創(chuàng)建預(yù)測(cè)模型。簡(jiǎn)而言之

機(jī)器學(xué)習(xí)算法+數(shù)據(jù)=預(yù)測(cè)模型

構(gòu)建模型的過(guò)程就是這樣：

（構(gòu)建預(yù)測(cè)模型的過(guò)程）

正如你能看到的，模型由數(shù)據(jù)“訓(xùn)練過(guò)的”機(jī)器學(xué)習(xí)算法組成。當(dāng)你有了模型，你就會(huì)得到這樣的結(jié)果：

（預(yù)測(cè)工作流）

你創(chuàng)建的模型的目的是對(duì)文本分類，我們定義了：

input: text, result: category

我們有一個(gè)使用已經(jīng)標(biāo)記過(guò)的文本（每個(gè)文本都有了它屬于哪個(gè)分類的標(biāo)記）訓(xùn)練的數(shù)據(jù)集。在機(jī)器學(xué)習(xí)中，這種任務(wù)的類型是被稱為監(jiān)督學(xué)習(xí)。

 “我們知道正確的答案。該算法迭代的預(yù)測(cè)訓(xùn)練數(shù)據(jù)，并由老師糾正

”?—?Jason Brownlee

你會(huì)把數(shù)據(jù)分成類，因此它也是一個(gè)分類任務(wù)。

為了創(chuàng)建這個(gè)模型，我們將會(huì)用到神經(jīng)網(wǎng)絡(luò)。

神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是一個(gè)計(jì)算模型（一種描述使用機(jī)器語(yǔ)言和數(shù)學(xué)概念的系統(tǒng)的方式）。這些系統(tǒng)是自主學(xué)習(xí)和被訓(xùn)練的，而不是明確編程的。

神經(jīng)網(wǎng)絡(luò)是也從我們的中樞神經(jīng)系統(tǒng)受到的啟發(fā)。他們有與我們神經(jīng)相似的連接節(jié)點(diǎn)。

感知器是第一個(gè)神經(jīng)網(wǎng)絡(luò)算法。這篇文章 很好地解釋了感知器的內(nèi)部工作原理（“人工神經(jīng)元內(nèi)部” 的動(dòng)畫(huà)非常棒）。

為了理解神經(jīng)網(wǎng)絡(luò)的工作原理，我們將會(huì)使用 TensorFlow 建立一個(gè)神經(jīng)網(wǎng)絡(luò)架構(gòu)。在這個(gè)例子中，這個(gè)架構(gòu)被 Aymeric Damien 使用過(guò)。

神經(jīng)網(wǎng)絡(luò)架構(gòu)

神經(jīng)網(wǎng)絡(luò)有兩個(gè)隱藏層（你得選擇 網(wǎng)絡(luò)會(huì)有多少隱藏層，這是結(jié)構(gòu)設(shè)計(jì)的一部分）。每一個(gè)隱藏層的任務(wù)是 把輸入的東西轉(zhuǎn)換成輸出層可以使用的東西。

隱藏層 1

（輸入層和第一個(gè)隱藏層）

你也需要定義第一個(gè)隱藏層會(huì)有多少節(jié)點(diǎn)。這些節(jié)點(diǎn)也被稱為特征或神經(jīng)元，在上面的例子中我們用每一個(gè)圓圈表示一個(gè)節(jié)點(diǎn)。

輸入層的每個(gè)節(jié)點(diǎn)都對(duì)應(yīng)著數(shù)據(jù)集中的一個(gè)詞（之后我們會(huì)看到這是怎么運(yùn)行的）

如 這里 所述，每個(gè)節(jié)點(diǎn)（神經(jīng)元）乘以一個(gè)權(quán)重。每個(gè)節(jié)點(diǎn)都有一個(gè)權(quán)重值，在訓(xùn)練階段，神經(jīng)網(wǎng)絡(luò)會(huì)調(diào)整這些值以產(chǎn)生正確的輸出（過(guò)會(huì)，我們將會(huì)學(xué)習(xí)更多關(guān)于這個(gè)的信息）

除了乘以沒(méi)有輸入的權(quán)重，網(wǎng)絡(luò)也會(huì)增加一個(gè)誤差 (在神經(jīng)網(wǎng)絡(luò)中誤差的角色)。

在你的架構(gòu)中，將輸入乘以權(quán)重并將值與偏差相加，這些數(shù)據(jù)也要通過(guò)激活函數(shù)傳遞。這個(gè)激活函數(shù)定義了每個(gè)節(jié)點(diǎn)的最終輸出。比如說(shuō)：想象一下，每一個(gè)節(jié)點(diǎn)是一盞燈，激活函數(shù)決定燈是否會(huì)亮。

有很多類型的激活函數(shù)。你將會(huì)使用 Rectified Linear Unit (ReLu)。這個(gè)函數(shù)是這樣定義的：

f(x) = max(0,x)  [輸出 x 或者 0（零）中最大的數(shù)]

例如：如果 x = -1,  f(x) = 0(zero); 如果 x = 0.7, f(x) = 0.7.

隱藏層 2

第二個(gè)隱藏層做的完全是第一個(gè)隱藏層做的事情，但現(xiàn)在第二層的輸入是第一層的輸出。

(第一和第二隱藏層)

輸出層

現(xiàn)在終于到了最后一層，輸出層。你將會(huì)使用 One-Hot 編碼 得到這個(gè)層的結(jié)果。在這個(gè)編碼中，只有一個(gè)比特的值是 1，其他比特的值都是 0。例如，如果我們想對(duì)三個(gè)分類編碼(sports, space 和computer graphics)編碼：

因此輸出節(jié)點(diǎn)的編號(hào)是輸入的數(shù)據(jù)集的分類的編號(hào)。

輸出層的值也要乘以權(quán)重，并我們也要加上誤差，但是現(xiàn)在激活函數(shù)不一樣。

你想用分類對(duì)每一個(gè)文本進(jìn)行標(biāo)記，并且這些分類相互獨(dú)立（一個(gè)文本不能同時(shí)屬于兩個(gè)分類）?？紤]到這點(diǎn)，你將使用 Softmax 函數(shù)而不是 ReLu 激活函數(shù)。這個(gè)函數(shù)把每一個(gè)完整的輸出轉(zhuǎn)換成 0 和 1 之間的值，并且確保所有單元的和等于一。這樣，輸出將告訴我們每個(gè)分類中每個(gè)文本的概率。

| 1.2                             0.46|

| 0.9   -> [softmax] ->  0.34|

| 0.4                             0.20|

現(xiàn)在有了神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)流圖。把我們所看到的都轉(zhuǎn)換為代碼，結(jié)果是：

# Network Parameters

n_hidden_1 = 10        # 1st layer number of features

n_hidden_2 = 5         # 2nd layer number of features

n_input = total_words  # Words in vocab

n_classes = 3          # Categories: graphics, space and baseball

def multilayer_perceptron(input_tensor, weights, biases):

    layer_1_multiplication = tf.matmul(input_tensor, weights['h1'])

    layer_1_addition = tf.add(layer_1_multiplication, biases['b1'])

    layer_1_activation = tf.nn.relu(layer_1_addition)

# Hidden layer with RELU activation

    layer_2_multiplication = tf.matmul(layer_1_activation, weights['h2'])

    layer_2_addition = tf.add(layer_2_multiplication, biases['b2'])

    layer_2_activation = tf.nn.relu(layer_2_addition)

# Output layer with linear activation

    out_layer_multiplication = tf.matmul(layer_2_activation, weights['out'])

    out_layer_addition = out_layer_multiplication + biases['out']return out_layer_addition

(我們將會(huì)在后面討論輸出層的激活函數(shù))

神經(jīng)網(wǎng)絡(luò)怎么學(xué)習(xí)

就像我們前面看到的那樣，神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)會(huì)更新權(quán)重值?，F(xiàn)在我們將看到在 TensorFlow 環(huán)境下這是怎么發(fā)生的。

tf.Variable

權(quán)重和誤差存儲(chǔ)在變量（tf.Variable）中。這些變量通過(guò)調(diào)用 run() 保持在圖中的狀態(tài)。在機(jī)器學(xué)習(xí)中我們一般通過(guò) 正太分布 來(lái)啟動(dòng)權(quán)重和偏差值。

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]))

}

當(dāng)我們第一次運(yùn)行神經(jīng)網(wǎng)絡(luò)的時(shí)候（也就是說(shuō)，權(quán)重值是由正態(tài)分布定義的）:

input values: x

weights: w

bias: b

output values: z

expected values: expected

為了知道網(wǎng)絡(luò)是否正在學(xué)習(xí)，你需要比較一下輸出值（Z）和期望值（expected）。我們要怎么計(jì)算這個(gè)的不同（損耗）呢？有很多方法去解決這個(gè)問(wèn)題。因?yàn)槲覀冋谶M(jìn)行分類任務(wù)，測(cè)量損耗的最好的方式是 交叉熵誤差。

James D. McCaffrey 寫了一個(gè)精彩的解釋，說(shuō)明為什么這是這種類型任務(wù)的最佳方法。

通過(guò) TensorFlow 你將使用 tf.nn.softmax_cross_entropy_with_logits() 方法計(jì)算交叉熵誤差（這個(gè)是 softmax 激活函數(shù)）并計(jì)算平均誤差 (tf.reduced_mean())。

# Construct model

prediction = multilayer_perceptron(input_tensor, weights, biases)

# Define loss

entropy_loss = tf.nn.softmax_cross_entropy_with_logits(logits=prediction, labels=output_tensor)

loss = tf.reduce_mean(entropy_loss)

你希望通過(guò)權(quán)重和誤差的最佳值，以便最小化輸出誤差（實(shí)際得到的值和正確的值之間的區(qū)別）。要做到這一點(diǎn)，將需使用 梯度下降法。更具體些是，需要使用 隨機(jī)梯度下降。

（梯度下降。源: https:///faq/docs/closed-form-vs-gd.html）

為了計(jì)算梯度下降，將要使用 Adaptive Moment Estimation (Adam)。要在 TensorFlow 中使用此算法，需要傳遞 learning_rate 值，該值可確定值的增量步長(zhǎng)以找到最佳權(quán)重值。

方法 tf.train.AdamOptimizer(learning_rate).minimize(loss) 是一個(gè) 語(yǔ)法糖，它做了兩件事情：

1. compute_gradients(loss, )

2. apply_gradients()

這個(gè)方法用新的值更新了所有的 tf.Variables ，因此我們不需要傳遞變量列表?，F(xiàn)在你有了訓(xùn)練網(wǎng)絡(luò)的代碼：

learning_rate = 0.001

# Construct model

prediction = multilayer_perceptron(input_tensor, weights, biases)

# Define loss

entropy_loss = tf.nn.softmax_cross_entropy_with_logits(logits=prediction, labels=output_tensor)

loss = tf.reduce_mean(entropy_loss)

optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(loss)

數(shù)據(jù)操作

將要使用的數(shù)據(jù)集有很多英文文本，我們需要操作這些數(shù)據(jù)將其傳遞給神經(jīng)網(wǎng)絡(luò)。要做到這一點(diǎn)，需要做兩件事：

1. 為每一個(gè)工作創(chuàng)建索引

2. 為每一個(gè)文本創(chuàng)建矩陣，在矩陣?yán)?，如果單詞在文本中則值為 1，否則值為 0

讓我們看著代碼來(lái)理解這個(gè)過(guò)程：

import numpy as np    #numpy is a package for scientific computing

from collections import Counter

vocab = Counter()

text = 'Hi from Brazil'#Get all wordsfor word in text.split(' '):

    vocab[word]+=1

        #Convert words to indexes

def get_word_2_index(vocab):

    word2index = {}    for i,word in enumerate(vocab):

        word2index[word] = i        

    return word2index

#Now we have an index

word2index = get_word_2_index(vocab)

total_words = len(vocab)

#This is how we create a numpy array (our matrix)

matrix = np.zeros((total_words),dtype=float)

#Now we fill the valuesfor word in text.split():

    matrix[word2index[word]] += 1print(matrix)

>>> [ 1.  1.  1.]

上面例子中的文本是‘Hi from Brazil’，矩陣是 [ 1. 1. 1.]。如果文本僅是‘Hi’會(huì)怎么樣？

matrix = np.zeros((total_words),dtype=float)

text = 'Hi'for word in text.split():

    matrix[word2index[word.lower()]] += 1print(matrix)

>>> [ 1.  0.  0.]

將會(huì)與標(biāo)簽（文本的分類）相同，但是現(xiàn)在得使用獨(dú)熱編碼（one-hot encoding）：

y = np.zeros((3),dtype=float)if category == 0:

    y[0] = 1.        # [ 1.  0.  0.]

elif category == 1:

    y[1] = 1.        # [ 0.  1.  0.]else:

     y[2] = 1.       # [ 0.  0.  1.]

運(yùn)行圖并獲取結(jié)果

現(xiàn)在進(jìn)入最精彩的部分：從模型中獲取結(jié)果。先仔細(xì)看看輸入的數(shù)據(jù)集。

數(shù)據(jù)集

對(duì)于一個(gè)有 18.000 個(gè)帖子大約有 20 個(gè)主題的數(shù)據(jù)集，將會(huì)使用到 20個(gè)新聞組。要加載這些數(shù)據(jù)集將會(huì)用到 scikit-learn 庫(kù)。我們只使用 3 種類別：comp.graphics, sci.space 和 rec.sport.baseball。scikit-learn 有兩個(gè)子集：一個(gè)用于訓(xùn)練，另一個(gè)用于測(cè)試。建議不要查看測(cè)試數(shù)據(jù)，因?yàn)檫@可能會(huì)在創(chuàng)建模型時(shí)干擾你的選擇。你不會(huì)希望創(chuàng)建一個(gè)模型來(lái)預(yù)測(cè)這個(gè)特定的測(cè)試數(shù)據(jù)，因?yàn)槟阆Ｍ麆?chuàng)建一個(gè)具有很好的泛化性能的模型。

這里是如何加載數(shù)據(jù)集的代碼：

from sklearn.datasets import fetch_20newsgroups

categories = ['comp.graphics','sci.space','rec.sport.baseball']

newsgroups_train = fetch_20newsgroups(subset='train', categories=categories)

newsgroups_test = fetch_20newsgroups(subset='test', categories=categories

訓(xùn)練模型

在 神經(jīng)網(wǎng)絡(luò)的術(shù)語(yǔ)里，一次 epoch = 一個(gè)向前傳遞（得到輸出的值）和一個(gè)所有訓(xùn)練示例的向后傳遞（更新權(quán)重）。

還記得 tf.Session.run() 方法嗎？讓我們仔細(xì)看看它：

tf.Session.run(fetches, feed_dict=None, options=None, run_metadata=None)

在這篇文章開(kāi)始的數(shù)據(jù)流圖里，你用到了和操作，但是我們也可以傳遞一個(gè)事情的列表用于運(yùn)行。在這個(gè)神經(jīng)網(wǎng)絡(luò)運(yùn)行中將傳遞兩個(gè)事情：損耗計(jì)算和優(yōu)化步驟。

feed_dict 參數(shù)是我們?yōu)槊坎竭\(yùn)行所輸入的數(shù)據(jù)。為了傳遞這個(gè)數(shù)據(jù)，我們需要定義tf.placeholders（提供給 feed_dict）

正如 TensorFlow 文檔中說(shuō)的：

 “占位符的存在只作為輸入的目標(biāo)，它不需要初始化，也不包含數(shù)據(jù)?！?—?Source

因此將要像這樣定義占位符：

n_input = total_words # Words in vocab

n_classes = 3         # Categories: graphics, sci.space and baseball

input_tensor = tf.placeholder(tf.float32,[None, n_input],name='input')

output_tensor = tf.placeholder(tf.float32,[None, n_classes],name='output')

還將要批量分離你的訓(xùn)練數(shù)據(jù)：

“如果為了能夠輸入而使用占位符，可通過(guò)使用 tf.placeholder(…, shape=[None, …]) 創(chuàng)建占位符來(lái)指定變量批量維度。shape 的 None 元素對(duì)應(yīng)于大小可變的維度?！?—?Source

在測(cè)試模型時(shí)，我們將用更大的批處理來(lái)提供字典，這就是為什么需要定義一個(gè)可變的批處理維度。

get_batches() 函數(shù)為我們提供了批處理大小的文本數(shù)。現(xiàn)在我們可以運(yùn)行模型：

training_epochs = 10# Launch the graph

with tf.Session() as sess:

    sess.run(init) #inits the variables (normal distribution, remember?)

    # Training cycle    for epoch in range(training_epochs):

        avg_cost = 0.

        total_batch = int(len(newsgroups_train.data)/batch_size)

        # Loop over all batches        for i in range(total_batch):

            batch_x,batch_y = get_batch(newsgroups_train,i,batch_size)

            # Run optimization op (backprop) and cost op (to get loss value)

            c,_ = sess.run([loss,optimizer], feed_dict={input_tensor: batch_x, output_tensor:batch_y})

現(xiàn)在有了這個(gè)經(jīng)過(guò)訓(xùn)練的模型。為了測(cè)試它，還需要?jiǎng)?chuàng)建圖元素。我們將測(cè)量模型的準(zhǔn)確性，因此需要獲取預(yù)測(cè)值的索引和正確值的索引（因?yàn)槲覀兪褂玫氖仟?dú)熱編碼），檢查它們是否相等，并計(jì)算所有測(cè)試數(shù)據(jù)集的平均值：

    # Test model

    index_prediction = tf.argmax(prediction, 1)

    index_correct = tf.argmax(output_tensor, 1)

    correct_prediction = tf.equal(index_prediction, index_correct)

    # Calculate accuracy

    accuracy = tf.reduce_mean(tf.cast(correct_prediction, 'float'))

    total_test_data = len(newsgroups_test.target)

    batch_x_test,batch_y_test = get_batch(newsgroups_test,0,total_test_data)

    print('Accuracy:', accuracy.eval({input_tensor: batch_x_test, output_tensor: batch_y_test}))

>>> Epoch: 0001 loss= 1133.908114347

    Epoch: 0002 loss= 329.093700409

    Epoch: 0003 loss= 111.876660109

    Epoch: 0004 loss= 72.552971845

    Epoch: 0005 loss= 16.673050320

    Epoch: 0006 loss= 16.481995190

    Epoch: 0007 loss= 4.848220565

    Epoch: 0008 loss= 0.759822878

    Epoch: 0009 loss= 0.000000000

    Epoch: 0010 loss= 0.079848485

    Optimization Finished!

    Accuracy: 0.75

就是這樣！你使用神經(jīng)網(wǎng)絡(luò)創(chuàng)建了一個(gè)模型來(lái)將文本分類到不同的類別中。恭喜！

可在 這里(https://github.com/dmesquita/understanding_tensorflow_nn) 看到包含最終代碼的筆記本。

提示：修改我們定義的值，以查看更改如何影響訓(xùn)練時(shí)間和模型精度。