tensorflow学习day2简单监督学习模型及用tf.train.Saver实现检查点恢复

监督模型的训练数据是带有结果标签的，例如针对电信流失预警，我们已经事先知道每个人的所有消费属性特征和个人信息，以及他是否流失，通过建立流失与否和特征之间的模型，我们可以根据既有特征得到他是否流失的预测，再通过最小化预测和真实值之间的差距，不断优化模型参数，最终得到一个可用来预测的模型。

总结一下，监督模型的框架应该分为以下几步：

（1）首先对模型参数初始化，一般采用随机数赋值，对于较简单的模型，可以将参数初始值设为零

（2）读取训练数据，包括样本的特征和标签，一般在模型读入数据前会将数据打乱

（3）在训练数据上执行预测模型，每个样本得到一个预测的标签

（4）计算损失，即预测值和实际标签值的差距

（5）调整模型参数。这一步是实际学习过程，给定损失函数，通过大量训练改善模型参数的值，将损失最小化。常见的优化方法是随机梯度下降。

（6）最后在测试集上对模型的预测能力进行评估

1. 对于有监督学习问题，通用的模型训练和评估代码框架可以遵从如下：

# 有监督学习框架
import tensorflow as tf

def inference(x):
# 计算模型在x上的输出，返回结果

def loss(x, y):
# 根据x对应的实际y值和模型给出的y值计算损失

def inputs():
# 读取训练数据x和y

def train(total_loss):
# 依据计算的总损失训练或调整模型参数

def evaluate(sess, x, y):
# 对训练得到的模型进行评估

with tf.Session() as sess:
tf.global_variables_initializer().run()
x,y = inputs()
total_loss = loss(x,y)
train_op = train(total_loss)

coord = tf.train.Coordinator()  # 可以在发生错误的情况下正确地关闭这些线程
threads = tf.train.start_queue_runners(sess=sess,coord=coord)   # 函数将会启动输入管道的线程，填充样本到队列中，以便出队操作可以从队列中拿到样本

training_steps = 1000
for step in range(training_steps):
sess.run([train_op])
if step % 10 == 0:
print("loss:",sess.run([total_loss]))
evaluate(sess,x,y)
coord.request_stop()
coord.join(threads)

关于读数据，更多参考：http://blog.sina.com.cn/s/blog_e22771170102wcfv.html

2. 因为模型训练是通过多个训练周期对变量进行迭代的，所以在训练中创建checkpoint周期性保存变量，有利于我们在训练异常中断后，从最近的检查点恢复并继续之前的训练。这里简要介绍下tf.train.Saver()的用法

# checkpoint
# 创建一个Saver对象
saver = tf.train.Saver()

# 启动Session，在训练过程中阶段性创建checkpoint，保存变量值
with tf.Session() as sess:
# ......

for step in range(training_steps):
sess.run([train_op])
if step % 1000 == 0:
saver.save(sess, 'model', global_step=step)
# ...
saver.save(sess, 'model', global_step=training_steps)

tf.train.get_checkpoint_state可以用来检查是否有保存的checkpoint, tf.train.Saver.restore 负责恢复变量的值

# 启动Session，在训练过程中阶段性创建checkpoint，保存变量值
with tf.Session() as sess:
# ......
start_step = 0
# 检查是否有checkpoint
checkpoint = tf.train.get_checkpoint_state(os.path.dirname(__file__))
if checkpoint and checkpoint.model_checkpoint_path:
saver.restore(sess, checkpoint.model_checkpoint_path)
start_step = int(checkpoint.model_checkpoint_path.rsplit('-',1))[1]

for step in range(training_steps):
sess.run([train_op])
if step % 1000 == 0:
saver.save(sess, 'model', global_step=step)
# ...
saver.save(sess, 'model', global_step=training_steps)

3. 线性回归

# 线性回归
w = tf.Variable(tf.zeros([2,1]), name='weights')
b = tf.Variable(0., name='bias')

def inference(x):
return tf.matmul(x,w)+b

def loss(x, y):
y_hat = inference(x)
return tf.reduce_sum(tf.squared_difference(y,y_hat))

def inputs():
x = tf.random_normal([50,2], mean=0.0, stddev=1.0)
w = tf.constant([[0.3], [7]])
y = tf.matmul(x, w) + 2
return x,y

def train(total_loss):
learning_rate = 0.0001
return tf.train.GradientDescentOptimizer(learning_rate).minimize(total_loss)

with tf.Session() as sess:
tf.global_variables_initializer().run()
x,y = inputs()
total_loss = loss(x, y)
train_op = train(total_loss)

training_steps = 1000
for step in range(training_steps):
sess.run([train_op])
if step % 10 == 0:
print('loss:', sess.run(total_loss))
print('wb:', sess.run([w, b]))

4. logistic函数

logistic模型是一个二元分类模型，经常用来回答yes or no问题，例如流失与否，欺诈与否。其核心是对概率建模，将事件的对数发生比用一个多元线性函数拟合。

logit(x)=log(p/(1-p))= a+bx1+cx2 P是yes的概率

p=f(x)=1/(1+exp(-x))

f(x)被称为sigmoid函数

对于二元分类模型，可以用交叉熵作为损失函数。

loss=sum(yi*log(yi_hat)+(1-yi)*log(1-yi_hat)) 如此当实际y=1，而预测y=0（vise versa）时，loss会无穷大

# logistic 回归模型
w = tf.Variable(tf.zeros([4,1]), name="weights")
b = tf.Variable(0., name='bias')

def inference(x):
y = tf.matmul(x, w)+b
return tf.sigmoid(y)

def loss(x,y):
return tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(inference(x), y))

注意sigmoid函数输出的是概率。