深度神经网络基础——深度学习神经网络基础 &amp； Tensorflow在深度学习的应用_深度神经网络 学习 tensorflow

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新软件测试全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上软件测试知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip1024b （备注软件测试）

正文

5、计算准确率

with tf.variable_scope(“acc”):

equal_list = tf.equal(tf.argmax(y_true, 1), tf.argmax(y_predict, 1))

equal_list None个样本 [1, 0, 1, 0, 1, 1,…]

accuracy = tf.reduce_mean(tf.cast(equal_list, tf.float32))

收集变量 单个数字值收集

tf.summary.scalar(“losses”, loss)
tf.summary.scalar(“acc”, accuracy)

高纬度变量收集

tf.summary.histogram(“weightes”, weight)
tf.summary.histogram(“biases”, bias)

定义一个初始化变量的op

init_op = tf.global_variables_initializer()

定义一个合并变量的 op

merged = tf.summary.merge_all()

创建一个saver

saver = tf.train.Saver()

开启会话去训练

with tf.Session() as sess:

初始化变量

sess.run(init_op)

建立events文件，然后写入

filewriter = tf.summary.FileWriter(“./tmp/summary/test/”, graph=sess.graph)
if FLAGS.is_train == 1:# 如果是1，进行训练

迭代步数去训练，更新参数预测

for i in range(2000):

取出真实存在的特征值和目标值

mnist_x, mnist_y = mnist.train.next_batch(50)

运行train_op训练

sess.run(train_op, feed_dict={x: mnist_x, y_true: mnist_y})

写入每步训练的值

summary = sess.run(merged, feed_dict={x: mnist_x, y_true: mnist_y})

filewriter.add_summary(summary, i)

print(“训练第%d步,准确率为:%f” % (i, sess.run(accuracy, feed_dict={x: mnist_x, y_true: mnist_y})))

保存模型

saver.save(sess, “./tmp/ckpt/fc_model”)
else:# 如果是0，做出预测

加载模型

saver.restore(sess, “./tmp/ckpt/fc_model”)

如果是0，做出预测

for i in range(100):

每次测试一张图片 [0,0,0,0,0,1,0,0,0,0]

x_test, y_test = mnist.test.next_batch(1)
print(“第%d张图片，手写数字图片目标是:%d, 预测结果是:%d” % (
i,
tf.argmax(y_test, 1).eval(),
tf.argmax(sess.run(y_predict, feed_dict={x: x_test, y_true: y_test}), 1).eval()
))
return None

if name == “__main__”:
full_connected()

2.卷积神经网络

神经网络的进化

神经网络(neural networks)的基本组成包括输入层、隐藏层、输出层。而卷积神经网络的特点在于隐藏层分为卷积层和池化层(pooling layer，又叫下采样层)。

• 卷积层：通过在原始图像上平移来提取特征，每一个特征就是一个特征映射
• 池化层：通过特征后稀疏参数来减少学习的参数，降低网络的复杂度，（最大池化和平均池化）

结构示意图

零填充：
• 卷积核在提取特征映射时的动作称之为padding（零填充），由于移动步长不一定能整除整张图的像素宽度。其中有两种方式，SAME和VALID

1. SAME：越过边缘取样，取样的面积和输入图像的像素宽度一致。
2. VALID：不越过边缘取样，取样的面积小于输入人的图像的像素宽度

卷积层

tf.nn.conv2d(input, filter, strides=, padding=, name=None)
计算给定4-D input和filter张量的2维卷积
input：给定的输入张量，具有[batch,heigth,width,
channel]，类型为float32,64
filter：指定过滤器的大小，[filter_height, filter_width, in_channels, out_channels]
strides：strides = [1, stride, stride, 1],步长
padding：“SAME”, “VALID”，使用的填充算法的类型，使用“SAME”。其中”VALID”表示滑动超出部分舍弃，“SAME”表示填充，使得变化后height,width一样大

新的激活函数-Relu

第一，采用sigmoid等函数，反向传播求误差梯度时，计算量相对大，而采用Relu激活函数，整个过程的计算量节省很多

第二，对于深层网络，sigmoid函数反向传播时，很容易就会出现梯度消失的情况（求不出权重和偏置）

激活函数：
tf.nn.relu(features, name=None)
features:卷积后加上偏置的结果
return:结果

池化层(Pooling)计算

Pooling层主要的作用是特征提取，通过去掉Feature Map中不重要的样本，进一步减少参数数量。Pooling的方法很多，最常用的是Max Pooling。

池化：
tf.nn.max_pool(value, ksize=, strides=, padding=,name=None)
输入上执行最大池数
value:4-D Tensor形状[batch, height, width, channels]
ksize:池化窗口大小，[1, ksize, ksize, 1]
strides:步长大小，[1,strides,strides,1]
padding:“SAME”, “VALID”，使用的填充算法的类型，使用“SAME”

Full Connected层：
分析：前面的卷积和池化相当于做特征工程，后面的全连接相当于做特征加权。最后的全连接层在整个卷积神经网络中起到“分类器”的作用。

案例：Mnist手写数字图片识别卷积网络案例

流程：
1、准备数据
2、卷积、激活、池化（两层）
3、全连接层
4、计算准确率

import tensorflow as tf
old_v = tf.logging.get_verbosity()
tf.logging.set_verbosity(tf.logging.ERROR)
from tensorflow.examples.tutorials.mnist import input_data

定义一个初始化权重的函数

def weight_variable(shape):
w = tf.Variable(tf.random_normal(shape=shape,mean=0.0,stddev=1.0))
return w

定义一个初始化偏置的函数

def bias_variable(shape):
b = tf.Variable(tf.constant(0.0,shape=shape))
return b
def model():
‘’’
自定义的卷积模型
:return:
‘’’

1、准备数据的占位符 x [None, 784] y_true [None, 10]

with tf.variable_scope(“data”): # 作用域
x = tf.placeholder(tf.float32, [None, 784])
y_true = tf.placeholder(tf.int32, [None, 10])

2、一卷积层 卷积 5x5x1,32个，strides=1

激活 tf.nn.relu，池化

with tf.variable_scope(“conv1”): # 作用域

随机初始化权重，偏置

w_conv1 = weight_variable([5,5,1,32])
b_conv1 = bias_variable([32])

对 x进行形状的改变 [none,784] —> [none,28,28,1]

x_reshape = tf.reshape(x,[-1,28,28,1])

卷积 [none,28,28,1] —> [none,28,28,32]

x_relu = tf.nn.relu(tf.nn.conv2d(x_reshape,w_conv1,strides=[1,1,1,1],padding=“SAME”) + b_conv1)

池化 2x2，strides=2，[none,28,28,32]—> [none,14,14,32]

x_pool1 = tf.nn.max_pool(x_relu, ksize=[1,2,2,1],strides=[1,2,2,1], padding=“SAME”)

3、二卷积层 卷积 5x5x32,64个，strides=1

## 激活 tf.nn.relu，池化

随机初始化权重[5, 5, 32, 64]，偏置

w_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])

卷积，激活，池化计算

[none,14,14,32] —> [none,14,14,64]

x_relu2 = tf.nn.relu(tf.nn.conv2d(x_pool1, w_conv2, strides=[1, 1, 1, 1], padding=“SAME”) + b_conv2)

池化 2x2，strides=2，[none,14,14,64]—> [none,7,7,64]

x_pool2 = tf.nn.max_pool(x_relu2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding=“SAME”)

4、全连接层 [none,7,7,64]—> [none,7*7*64]*[7*7*64,10] +[10] = [none,10]

with tf.variable_scope(“conv2”): # 作用域none,

随机初始化权重，偏置

w_fc = weight_variable([7*7*64, 10])
b_fc = bias_variable([10])

修改形状 [none,7,7,64]—> [none,7*7*64]，四维到二维

x_fc_reshape = tf.reshape(x_pool2,[-1,7*7*64])

矩阵运算得出每个样本的10个结果

y_predict = tf.matmul(x_fc_reshape, w_fc) + b_fc

return x , y_true ,y_predict

def conv_fc():
#获取真实数据
mnist = input_data.read_data_sets(“./data/mnist/”, one_hot=True)

定义模型，得出输出

x, y_true, y_predict = model()

进行交叉熵损失计算

with tf.variable_scope(“soft_cross”):

求平均交叉熵损失

loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_true, logits=y_predict))

4、梯度下降求出损失 学习率要比较小

with tf.variable_scope(“optimizer”):
train_op = tf.train.GradientDescentOptimizer(0.0001).minimize(loss)# 学习率和最小化损失

5、计算准确率

with tf.variable_scope(“acc”):

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip1024b （备注软件测试）

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
h tf.variable_scope(“acc”):

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip1024b （备注软件测试）
[外链图片转存中…(img-PkI3CDoj-1713232169650)]

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！