TensorFlow实现随机训练和批量训练的方法

TensorFlow更新模型变量。它能一次操作一个数据点，也可以一次操作大量数据。一个训练例子上的操作可能导致比较“古怪”的学习过程，但使用大批量的训练会造成计算成本昂贵。到底选用哪种训练类型对机器学习算法的收敛非常关键。

为了TensorFlow计算变量梯度来让反向传播工作，我们必须度量一个或者多个样本的损失。

随机训练会一次随机抽样训练数据和目标数据对完成训练。另外一个可选项是，一次大批量训练取平均损失来进行梯度计算，批量训练大小可以一次上扩到整个数据集。这里将显示如何扩展前面的回归算法的例子——使用随机训练和批量训练。

批量训练和随机训练的不同之处在于它们的优化器方法和收敛。

# 随机训练和批量训练#----------------------------------## This python function illustrates two different training methods:# batch and stochastic training. For each model, we will use# a regression model that predicts one model variable.import matplotlib.pyplot as pltimport numpy as npimport tensorflow as tffrom tensorflow.python.framework import opsops.reset_default_graph()# 随机训练:# Create graphsess = tf.Session()# 声明数据x_vals = np.random.normal(1, 0.1, 100)y_vals = np.repeat(10., 100)x_data = tf.placeholder(shape=[1], dtype=tf.float32)y_target = tf.placeholder(shape=[1], dtype=tf.float32)# 声明变量 (one model parameter = A)A = tf.Variable(tf.random_normal(shape=[1]))# 增加操作到图my_output = tf.multiply(x_data, A)# 增加L2损失函数loss = tf.square(my_output - y_target)# 初始化变量init = tf.global_variables_initializer()sess.run(init)# 声明优化器my_opt = tf.train.GradientDescentOptimizer(0.02)train_step = my_opt.minimize(loss)loss_stochastic = []# 运行迭代for i in range(100): rand_index = np.random.choice(100) rand_x = [x_vals[rand_index]] rand_y = [y_vals[rand_index]] sess.run(train_step, feed_dict={x_data: rand_x, y_target: rand_y}) if (i+1)%5==0:  print('Step #' + str(i+1) + ' A = ' + str(sess.run(A)))  temp_loss = sess.run(loss, feed_dict={x_data: rand_x, y_target: rand_y})  print('Loss = ' + str(temp_loss))  loss_stochastic.append(temp_loss)# 批量训练:# 重置计算图ops.reset_default_graph()sess = tf.Session()# 声明批量大小# 批量大小是指通过计算图一次传入多少训练数据batch_size = 20# 声明模型的数据、占位符x_vals = np.random.normal(1, 0.1, 100)y_vals = np.repeat(10., 100)x_data = tf.placeholder(shape=[None, 1], dtype=tf.float32)y_target = tf.placeholder(shape=[None, 1], dtype=tf.float32)# 声明变量 (one model parameter = A)A = tf.Variable(tf.random_normal(shape=[1,1]))# 增加矩阵乘法操作（矩阵乘法不满足交换律）my_output = tf.matmul(x_data, A)# 增加损失函数# 批量训练时损失函数是每个数据点L2损失的平均值loss = tf.reduce_mean(tf.square(my_output - y_target))# 初始化变量init = tf.global_variables_initializer()sess.run(init)# 声明优化器my_opt = tf.train.GradientDescentOptimizer(0.02)train_step = my_opt.minimize(loss)loss_batch = []# 运行迭代for i in range(100): rand_index = np.random.choice(100, size=batch_size) rand_x = np.transpose([x_vals[rand_index]]) rand_y = np.transpose([y_vals[rand_index]]) sess.run(train_step, feed_dict={x_data: rand_x, y_target: rand_y}) if (i+1)%5==0:  print('Step #' + str(i+1) + ' A = ' + str(sess.run(A)))  temp_loss = sess.run(loss, feed_dict={x_data: rand_x, y_target: rand_y})  print('Loss = ' + str(temp_loss))  loss_batch.append(temp_loss)plt.plot(range(0, 100, 5), loss_stochastic, 'b-', label='Stochastic Loss')plt.plot(range(0, 100, 5), loss_batch, 'r--', label='Batch Loss, size=20')plt.legend(loc='upper right', prop={'size': 11})plt.show()