教程 | TensorEditor :一个小白都能快速玩转的神经网络搭建工具

网络  机器之心06-01 12:20

机器之心整理

参与:思源

近日,机器之心发现一个非常有意思的工具,可以用可视化的方式轻松添加卷积层、全连接层和池化层等层级,然后生成可执行的 TensorFlow 代码。此外,我们也尝试搭建一个简单的卷积架构,并在本地 TensorFlow 环境下测试生成的代码。

工具地址:https://www.tensoreditor.com/

TensorEditor 是一个强大的机器学习工具,甚至小白都能以可视化的方式快速生成整个模型的代码。通过 TensorEditor,小白可以连接卷积层、全连接层和池化层等可视化结点创建整个模型,且我们可以将它们转化为 TensorFlow 和 Python 代码,并进一步在自己的环境中运行。

基本上,TensorEditor 的步骤即定义我们的数据集、图像或特征,然后创建深度神经网络并下载 Python 2.7 的代码,最后就需要在我们自己的 TensorFLow 环境下运行就好了。

通过 TensorEditor,我们不仅可以创建深度网络并避免一些常见的代码问题,同时还能生成基于 TensorFlow Estimator 的高效代码。如下所示,机器之心尝试构建了一个简单的卷积网络,我们使用了两个卷积层、两个池化层和一个全连接层,并在最后的 Estimator 使用了交叉熵损失函数和 Adagrad 最优化方法。

上述简单搭建的卷积网络同样可以生成完全可执行的代码,这样可以避免大量的一般代码问题与重复性工作。

import tensorflow as tf

import pandas as pd

tf.logging.set_verbosity(tf.logging.INFO)

project_name="CNN"

train_csv_file=""

test_csv_file=""

image_resize=[28,28]

def model_fn(features, labels, mode, params):

convolutional_2d_1 = tf.layers.conv2d(

inputs=features,

filters=32,

kernel_size=[3,3],

strides=(1,1),

padding="same",

data_format="channels_last",

dilation_rate=(1,1),

activation=tf.nn.relu,

use_bias=True)

max_pool_2d_1 = tf.layers.max_pooling2d(

inputs=convolutional_2d_1,

pool_size=[2,2],

strides=[2,2],

padding='same',

data_format='channels_last')

convolutional_2d_2 = tf.layers.conv2d(

inputs=max_pool_2d_1,

filters=64,

kernel_size=[3,3],

strides=(1,1),

padding="same",

data_format="channels_last",

dilation_rate=(1,1),

activation=tf.nn.relu,

use_bias=True)

max_pool_2d_2 = tf.layers.max_pooling2d(

inputs=max_pool_2d_1,

pool_size=[2,2],

strides=[2,2],

padding='same',

data_format='channels_last')

convolutional_2d_3 = tf.layers.conv2d(

inputs=max_pool_2d_2,

filters=128,

kernel_size=[3,3],

strides=(1,1),

padding="same",

data_format="channels_last",

dilation_rate=(1,1),

activation=tf.nn.relu,

use_bias=True)

max_pool_2d_3 = tf.layers.max_pooling2d(

inputs=convolutional_2d_3,

pool_size=[2,2],

strides=[2,2],

padding='same',

data_format='channels_last')

flatten_1 = tf.reshape(max_pool_2d_3, [-1, 2048])

dense_1 = tf.layers.dense(inputs=flatten_1, units=1024, activation=tf.nn.relu)

dropout_1= tf.layers.dropout(inputs=dense_1, rate=0.4, training=mode == tf.estimator.ModeKeys.TRAIN)

dense_2 = tf.layers.dense(inputs=dropout_1, units=256, activation=tf.nn.relu)

logits=dense_2

predictions = {

"classes": tf.argmax(input=logits, axis=1),

"probabilities": tf.nn.softmax(logits, name="softmax_tensor")

}

#Prediction and training

if mode == tf.estimator.ModeKeys.PREDICT:

return tf.estimator.EstimatorSpec(mode=mode, predictions=predictions)

# Calculate Loss (for both TRAIN and EVAL modes)

onehot_labels = tf.one_hot(indices=tf.cast(labels, tf.int32), depth=256)

loss = tf.losses.softmax_cross_entropy(

onehot_labels=onehot_labels, logits=logits)

# Compute evaluation metrics.

accuracy = tf.metrics.accuracy(labels=labels,

predictions=predictions["classes"],

name="acc_op")

metrics = {'accuracy': accuracy}

tf.summary.scalar('accuracy', accuracy[1])

# Configure the Training Op (for TRAIN mode)

if mode == tf.estimator.ModeKeys.TRAIN:

optimizer = tf.train.AdagradOptimizer(learning_rate=0.001)

train_op = optimizer.minimize(

loss=loss,

global_step=tf.train.get_global_step())

return tf.estimator.EstimatorSpec(mode=mode, loss=loss, train_op=train_op)

# Add evaluation metrics (for EVAL mode)

eval_metric_ops = {

"accuracy": tf.metrics.accuracy(

labels=labels, predictions=predictions["classes"])}

return tf.estimator.EstimatorSpec(

mode=mode, loss=loss, eval_metric_ops=eval_metric_ops)

# Parse CSV input file and resize image

def _parse_csv(line):

parsed_line= tf.decode_csv(line, [[""], []])

filename = parsed_line[0]

label = parsed_line[1]

image_string = tf.read_file(filename)

image_decoded = tf.image.decode_jpeg(image_string, channels=3)

image_resized = tf.image.resize_images(image_decoded, image_resize)

image_gray = tf.image.rgb_to_grayscale(image_resized)

return image_gray, label

def data_train_estimator():

dataset = tf.data.TextLineDataset(train_csv_file).map(_parse_csv) # Map each line to convert the data

dataset = dataset.batch(100)

dataset = dataset.shuffle(1000)

dataset = dataset.repeat()

iterator = dataset.make_one_shot_iterator() # create one shot iterator

feature, label = iterator.get_next()

return feature, label

def data_test_estimator():

dataset = tf.data.TextLineDataset(test_csv_file).map(_parse_csv) # Map each line to convert the data

dataset = dataset.batch(100)

iterator = dataset.make_one_shot_iterator() # create one shot iterator

feature, label = iterator.get_next()

return feature, label

def main(unused_argv):

# MAIN ENTRY

# Create the Estimator

classifier = tf.estimator.Estimator(

model_fn=model_fn,

model_dir="/tmp/"+project_name,

params={

# PARAMS

}

)

classifier.train(input_fn=data_train_estimator, steps=30000)

eval_results = classifier.evaluate(input_fn=data_test_estimator)

tf.summary.scalar("Accuracy", eval_results["accuracy"])

print(eval_results)

if __name__ == "__main__":

tf.app.run()

TensorEditor 主要有以下特点:

易于使用:我们只需要添加模块、连接模块并在最后加入评估模块,就能完成搭建。

由易到难:只需要叠加不同的模块,我们就能创建如 VGG 那样的复杂深度网络。

参数直观:可以轻松修改各结点的配置与参数,从而搭建定制化的深度网络。

生成代码:搭建完深度架构,我们就能直接生成可执行的 TensorFlow 代码(Python 2.7)。

90 秒的 MNIST 教程

在上面的视频中,开发者展示了如何使用 TensorEditor 在 90 秒内快速搭建一个可用于 MNIST 手写数字识别的简单网络。对于 TensorEditor 这种构建序贯 CNN 模型的简单工具,我们只需要准备两件事就能开始搭建模型模型:

下载 MNIST 手写数据集:https://github.com/damiles/TensorEditor_SampleData/raw/master/mnist_png.tar.gz

确定网络架构:https://www.tensorflow.org/tutorials/layers#building_the_cnn_mnist_classifier

TensorEditor 接受 CSV 格式的特征数据集或具有 CSV 标签的图像数据集作为数据输入,并且需要训练和测试/评估两个 CSV 文件。当我们从上面的链接下载数据集并提取图像数据时,我们会有两个 CSV 文件和两个包含所有图像的文件夹(测试和训练)。

现在我们就可以在 TensorEditor 中创建将要用于手写数字识别的卷积网络架构,下面展示的架构和 TensorFlow 文档中保持一致。

卷积层 1:使用 32 个 5x5 大小的卷积核和 ReLU 激活函数

池化层 1:使用 2x2 滤波器和步幅为 2 的最大池化运算(池化区域不重叠)

卷积层 2:使用 64 个 5x5 大小的卷积核和 ReLU 激活函数

池化层 2:同样使用 2x2 滤波器和步幅为 2 的最大池化运算

全连接层 1:1024 个神经元,Dropout 正则化率为 0.4

分类层:10 个神经元,每个神经元表示 0 到 9 这十个数字。

我们只需要按步骤先添加一个输入 csv 数据集模块,并设置 train.csv 和 test.csv 的地址。然后依次添加上述的卷积和全连接等模块,并设置好对应的参数,如卷积核大小、卷积核数量和激活函数等。最后主需要添加 Estimator 模块,并设置损失函数、最优化方法和学习率等配置就能完成架构上的搭建。如下所示为使用可视化方法搭建的架构:

最后上面的网络就能生成对应的代码,我们可直接复制到本地代码编辑器中并执行:

本文为机器之心整理,转载请联系本公众号获得授权

✄------------------------------------------------

加入机器之心(全职记者/实习生):hr@jiqizhixin.com

投稿或寻求报道:content@jiqizhixin.com

广告&商务合作:bd@jiqizhixin.com


关于“新三板+”APP:新三板移动互联网第一入口,首家AI投融资服务平台,为企业解决投融资需求及提供最有价值的投资者关系服务。加入“新三板+”社群, 商务合作电话/微信:15010551141

(更多独家新三板创新层行情大数据&移动直播资讯,点击这里下载“新三板+”App)

相关新闻