![利用 TFLearn 快速搭建经典深度学习模型](https://pic1.zhimg.com/v2-cd4ce56051405fb333f04c3ea879edb0_r.jpg)
利用 TFLearn 快速搭建经典深度学习模型
使用 TensorFlow 一个最大的好处是可以用各种运算符(Ops)灵活构建计算图,同时可以支持自定义运算符(见本公众号早期文章《TensorFlow 增加自定义运算符》)。由于运算符的粒度较小,在构建深度学习模型时,代码写出来比较冗长,比如实现卷积层:5, 9
![](https://pic4.zhimg.com/v2-305d9dca28a54cf0b3f4cd6f7b83d4a7_b.png)
这种方式在设计较大模型时会比较麻烦,需要程序员徒手完成各个运算符之间的连接,像一些中间变量的维度变换、运算符参数选项、多个子网络连接处极易发生问题,肉眼检查也很难发现代码中潜伏的 bug,会导致运行时出错(运气好),或者运行时不出错但运行结果不可解释(运气不好),消耗大量时间和精力。
有没有更好的实现各种经典模型的方式?
答案是肯定的!
我们今天学习一下在 TensorFlow 之上构建的高层次 API—— TFLearn【2】。
TFLearn 是一个模块化和透明的深度学习库,构建在 TensorFlow 之上。
它为 TensorFlow 提供高层次 API,目的是便于快速搭建试验环境,同时保持对 TensorFlow 的完全透明和兼容性。
TFLearn 的一些特点:
-
容易使用和易于理解的高层次 API 用于实现深度神经网络,附带教程和例子;
-
通过高度模块化的内置神经网络层、正则化器、优化器等进行快速原型设计;
-
对 TensorFlow 完全透明,所有函数都是基于 tensor,可以独立于 TFLearn 使用;
-
强大的辅助函数,训练任意 TensorFlow 图,支持多输入、多输出和优化器;
-
简单而美观的图可视化,关于权值、梯度、特征图等细节;
-
无需人工干预,可使用多 CPU、多 GPU;
-
高层次 API 目前支持最近大多数深度学习模型,像卷积网络、LSTM、BiRNN、BatchNorm、PReLU、残差网络、生成网络、增强学习…… 将来会一直更新最近的深度学习技术;
心动不如行动,我们马上就体验!在一台已经安装了 TensorFlow 的机器上(安装步骤参考之前文章《TensorFlow 1.0.0rc1 入坑记》《利用 TensorFlow 集装箱快速搭建交互式开发环境》《如何在 Windows 系统玩 TensorFlow》)直接运行以下命令:pip in
![](https://pic4.zhimg.com/v2-02c5a5aa653a67355062ade0ad65b993_b.png)
检查安装成功:
![](https://pic4.zhimg.com/v2-faa4389cf4cb39aa88fc8e0f57472673_b.jpg)
为了方便运行 TFLearn 附带例程,我们需要克隆 TFLearn 源码:h
![](https://pic3.zhimg.com/v2-70ac2f6ee5e2ac268a9f7e4ac7b3b57a_b.png)
先看看如何用 TFLearn 实现 AlexNet 用于 Oxford 17 类鲜花数据集分类任务的:
![](https://pic4.zhimg.com/v2-ab8b67011644e39bee3ceace469848df_b.png)
![](https://pic2.zhimg.com/v2-129b4cb97ddee31c1d7fa4fadcde21bd_b.jpg)
![](https://pic3.zhimg.com/v2-e7470ef22f5e4acca29096850bb2d7a6_b.jpg)
上图为论文【1】 中的 AlexNet 结构。
TFLearn 例程中实现的 AlexNet 和论文【1】中相比做了一些修改:
-
输入图像尺寸变为 227 x 227;
-
将 2-tower 架构改为 single-tower;
-
最后一个分类层的输出类别数从 1000 变为 17;
运行该例程:
![](https://pic3.zhimg.com/v2-b96baa8c2881daa72ca074cff1aa4716_b.png)
该程序会自动下载 Oxford 17 flowers 数据集, 选了几个不同类别图片如下:
运行 AlexNet 模型训练截图如下:
![](https://pic1.zhimg.com/v2-1af285592148c0108b481da67e0c0c94_b.jpg)
在另一个命令行窗口启动 TensorBoard:
![](https://pic2.zhimg.com/v2-4ddfeada8aedd0069edb87367829d149_b.png)
打开浏览器,输入地址:localhost:6006,打开 TensorBoard 页面,查看训练过程的准确率、loss 值变化:
AlexNet 模型可视化(之一)
(之二)
模型权值分布:
模型权值的直方图,可以看出权值训练历史:
![](https://pic3.zhimg.com/v2-1fad7572a9abb97cf4466eb9d2be2fba_b.jpg)
通过今天内容,读者可以看出使用 TFLearn 高层次 API 相比直接使用 TensorFlow 实现深度学习模型具有使用更简单、构建更快速、可视化更方便等特点,从此无需手动处理各个运算符之间的连接,解放了生产力,提高了模型设计和优化效率。
作为练习,读者可以进一步学习 TFLearn 实现其他经典深度学习模型如 VGG、Inception、NIN、ResNet 等,对比原始论文学习,相信会有更大的收获。
参考文献
【1】Alex Krizhevsky, Ilya Sutskever & Geoffrey E. Hinton. ImageNet Classification with Deep Convolutional Neural Networks. NIPS, 2012.