TensorFlow搭建手写识别网络

b站看的爱可可老师上传的公开课《不用博士学位玩转Tensorflow深度学习》。

话说爱可可-爱生活老师真·神仙老师，我从微博关注到b站。上次宣姐问我居然也关注他们老师，我才知道是北邮的老师。羡慕！！

每层神经网络的公式：

softmax(X.W+b)

X是输入的量，假如有100张图片，每张图片784像素，那么X就是100*784

W是权重向量，假如有10个神经单元，要给784个输入的值赋权，W就是784*10

b是bias，感觉类似一个常数。它会给没一张图片的结果最后加一个同样的b

那么得到的X.W + b就是100*10, 是给100张图片分别计算的10个output，如果对应手写数字识别的最后一层，就可以理解成对应数字0-9的预测值了。用softmax针对每张图片的结果，转换成一个总合为1的概率值，其中概率最高的那个就值对应的位置(比如第六个值是98%),就是预测结果了（手写数字6）

（后边还有讲，中间层不用softmax，用sigmoid，用relu）

cross entropy损失函数

cross_entropy=−∑Y_true∗log⁡(Y)

看训练效果

image-20201209232637919.png

这是把训练和测试曲线放在一起，同时看准确率和loss。

当噪声很大，像training curve那样，那说明learning rate太大了。调小点，或者让它自动下降，很ok的trick。

当出现loss图那样，training loss不断下降，test loss反升，这就是过拟合。解决方法是正则化。具体的方法其实叫dropout。

过拟合的本质：

给了模型太多自由的空间，想象它太大了，可以把训练集中每一张图都存进去，那它肯定不是在学习可以generalize的feature，而是一些easy treaty

dropout：解决过拟合

就是在每一轮训练的时候随机shoot掉一些neoron，让它值变成0。

对于CNN来说，在卷积层搞dropout，it hurts too much，所以在全连接层搞就行

image-20201209233058152

一层的simplest model

image-20201209224614996image-20201209225643852

tf.matmul是matrix multiply

image-20201209230244362

用的Gradient Descent是梯度下降啦

image-20201209230715571

概念上，前面几步只是定义要用哪些公式，是formal的，是graph的；定义好了公式之后，也方便在多gpu里跑代码。现在这一步，才是让它动起来

image-20201209231158567

回顾所有代码

多层的全连接model

全连接就是数据1维嘛，扁平的，丢失了像图片这种2维数据的形状等信息

image-20201209231606387

过去sigmoid是中间层最常用的激活函数，简单地给一个0-1之间的结果

现在有了relu，都用它: 超简单，负值舍弃为0，正值原封不动。它为啥效果更好?不知道，人们试了，它更好，仅此而已。有传说说是生物学家说现在人脑中更接近relu，计算机人就用了，真的更好。

用relu往往模型收敛得更sharply。有时候在很深的神经网络里，它俩优劣分明，用sigmoid的话模型甚至不收敛

image-20201209231908137image-20201209231624774image-20201209231649554

卷积神经网络

本质上就是保持2维的信息量嘛。它跟全连接网络有个概念上的不同，就是每层layer的4个维度（channels）, 每个维度的所有神经单元用的权重向量是一样的。

image-20201209234526249image-20201209235119829

truncated_normal is just complicated way of saying ramdom

image-20201209235327646

tf的conv2d函数可以方便地让你指定步长之后，自动在图片的长和宽2维上走