tensorflow2学习笔记
- 当今人工智能主流方向——连接主义
- 前向传播
- 损失函数
- 梯度下降
- 学习率
- 反向传播更新函数
- Tensorflow2常用函数
人工智能三学派:
- 行为主义:基于控制论,构建感知-运动控制系统。
- 符号主义:基于算术逻辑表达式,求解问题时先把问题描述为表达式,再求解表达式。(可用公式描述、实现理性思维)
- 连接主义:仿生学,模仿神经元连接
张量(Tensor):多维数组(列表)
维数 | 阶 | 名字 | |
---|---|---|---|
0-D | 0 | 标量 scalar | 1,2,3 |
1-D | 1 | 向量 vector | v=[1,2,3] |
2-D | 2 | 矩阵 matrix | m=[[1,2,3],[4,5,6]] |
n-D | n | 张量 tensor | t=[[[…n个]]] |
张量可以表示0阶到n阶数组,元素用行号和列号引到
Tensorflow的数据类型:
tf.int32, tf.float 32, tf.float 64
tf.bool
tf.constant([True,False])
tf.string
tf.constant(“hello,world”)
创建一个张量
tf.constant(张量内容,dtype=数据类型)
import tensorflow as tf
a=tf.constant([1,5],dtype=tf.int64)
print(a)
print(a.dtype)
print(a.shape)
运行结果:
tf.Tensor([1 5], shape=(2,), dtype=int64)
<dtype: 'int64'>
(2,)
*看张量维数就看逗号隔开了几个数字 隔开了几个数字就是几维,2表示该张量有两个元素*
将numpy的数据类型转换为Tensor数据类型
td.convert_to_tensor(数据名,dtype=数据类型)
import tensorflow as tf
import numpy as np
a=np.arange(0,5)
b=tf.convert_to_tensor(a,dtype=tf.int64)
print(a)
print(b)
运行结果:
[0 1 2 3 4]
tf.Tensor([0 1 2 3 4], shape=(5,), dtype=int64)
创建全为0的张量
tf.zeros(维度)
创建全为1的张量
tf.ones(维度)
创建全为指定值的张量
tf.fill(维度,指定值)
a=tf.zeros([2,3])
b=tf.ones(4)
c=tf.fill([2,2],9)
print(a)
print(b)
print(c)
运行结果为:
tf.Tensor(
[[0. 0. 0.]
[0. 0. 0.]], shape=(2, 3), dtype=float32)
tf.Tensor([1. 1. 1. 1.], shape=(4,), dtype=float32)
tf.Tensor(
[[9 9]
[9 9]], shape=(2, 2), dtype=int32)
维度:
*一维——直接写个数*
*二维——用[行,列]*
*三维——用[n,j,k...]
*
生成正态分布的随机数,默认值均为0,标准差为1
tf.random.normal(维度,mean=均值,stddev=标准差)
生成截断式正态分布的随机数
tf.random.truncaten_normal(,mean=均值,stddev=标准差)
在tf.random.truncaten_normal中如果随机生成数据的取值在()之外则重新生成,保证了生成值在均值附近
d=tf.random.normal([2,2],mean=0.5,stddev=1
print(d)
e=tf.random.truncated_normal([2,2],mean=0.5,stddev=1)
print(e)
运行结果:
tf.Tensor(
[[ 0.6701759 1.6724517 ]
[-0.07118636 -0.82787395]], shape=(2, 2), dtype=float32)
tf.Tensor(
[[-0.16445047 0.14365721]
[ 1.0051086 -0.19248289]], shape=(2, 2), dtype=float32)
生成均匀分布随机数
tf.random.uniform(维度,munval=最小值,maxval=最大值)
import tensorflow as tf
f=tf.random.uniform([2,2],minval=0,maxval=1)
print(f)
运行结果:
tf.Tensor(
[[0.9287708 0.6684954 ]
[0.66665196 0.3233919 ]], shape=(2, 2), dtype=float32)
Process finished with exit code 0
*生成的均匀分布随机数是一个前闭后开区间[minval,maxval)*
强制tensor转化为该数据类型
tf.cast(张量名,dtype=数据类型)
常用函数
tf.reduce_min(张量名)
计算张量维度上的最小值
tf.reduce_max(张量名)
计算张量维度上的最大值
import tensorflow as tf
x1=tf.constant([1.,2.,3.],dtype=tf.float64)
print(x1)
x2=tf.cast(x1,tf.int32)
print(x2)
print(tf.reduce_min(x2),tf.reduce_max(x2))
运行结果:
tf.Tensor([1. 2. 3.], shape=(3,), dtype=float64)
tf.Tensor([1 2 3], shape=(3,), dtype=int32)
tf.Tensor(1, shape=(), dtype=int32) tf.Tensor(3, shape=(), dtype=int32)
axis
通过调整axis来控制执行维度
axis=0表示跨行
axis=1表示跨列
tf.GradientTape
实现某个函数对指定参数的求导运算
with结构记录计算过程,gradient求出张量的梯度
with tf.GradientTape() as tape:
若干个计算过程
grad=tape.gradient(函数,对谁求导)
import tensorflow as tf
with tf.GradientTape() as tape:
w=tf.Variable(tf.constant(3.0))
loss=tf.pow(w,2)
grad=tape.gradient(loss,w)
print(grad)
tf.Tensor(6.0, shape=(), dtype=float32)
enumerate
枚举,可枚举出每个元素,并在元素前配置索引号
enumerate(列表名)
import tensorflow as tf
seq=['one','tow','three']
for i,element in enumerate(seq):
print(i,element)
0 one
1 tow
2 three
tf.one_hot(独热码)
标记类别:1表示是,0表示非
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-6HRC3rIp-1619703424810)(C:\Users\weijie\AppData\Roaming\Typora\typora-user-images\image-20210219192245967.png)]
函数tf.one_hot(带转换数据,depth=几分类)
import tensorflow as tf
classes=3
labels=tf.constant([0,1,2])#输入的单元值最小为0,最大为2
output=tf.one_hot(labels,depth=classes)
print(output)
tf.Tensor(
[[1. 0. 0.]
[0. 1. 0.]
[0. 0. 1.]], shape=(3, 3), dtype=float32)
tf.nn.softmax
***Softmax(yi)=ft.nn.softmax(x)***将输出值变为0~1之间的概率值,使输出符合概率分布
import tensorflow as tf
y=tf.constant([1.01,2.01,-0.66])
y_pro=tf.nn.softmax(y)
print("After softmax,y_pro is:",y_pro)
运行结果:
After softmax,y_pro is: tf.Tensor([0.25598174 0.69583046 0.04818781], shape=(3,), dtype=float32)
他们之间的和为一
assign_sub
- 赋值操作,更新参数的值并返回
- 调用assign_sub前,先用tf.Variable定义变量w为可训练(可自更新)
w.assign_sub
import tensorflow as tf
w=tf.Variable(4)
w.assign_sub(1)
print(w)
运行结果:
<tf.Variable 'Variable:0' shape=() dtype=int32, numpy=3>
鸢尾花数据集(Iris)
从sklearn包datasets读入数据集,语法为:
from sklearn.datasets import load_iris
x_data=datasets.load_iris().data 返回iris数据集所有输入特征
y_data=datasets.load_iris().target 返回iris数据集所有标签
from sklearn import datasets
from pandas import DataFrame
import pandas as pd
x_data = datasets.load_iris().data # .data返回iris数据集所有输入特征
y_data = datasets.load_iris().target # .target返回iris数据集所有标签
print("x_data from datasets: \n", x_data)
print("y_data from datasets: \n", y_data)
x_data = DataFrame(x_data, columns=['花萼长度', '花萼宽度', '花瓣长度', '花瓣宽度']) # 为表格增加行索引(左侧)和列标签(上方)
pd.set_option('display.unicode.east_asian_width', True) # 设置列名对齐
print("x_data add index: \n", x_data)
x_data['类别'] = y_data # 新加一列,列标签为‘类别’,数据为y_data
print("x_data add a column: \n", x_data)
#类型维度不确定时,建议用print函数打印出来确认效果
神经网络实现鸢尾花分类
准备数据
- 数据集读入
- 数据集乱序
- 生成训练集和测试集(即x_train/y_train,x_test/y_test)
- 配成(输入特征,标签)对,每次读入一小撮(batch)
搭建网络
- 定义神经网路中所有可训练参数
参数优化
- 嵌套循环迭代,with结构更新参数,显示当前loss
测试效果
- 计算当前参数向前传播后的准确率,,显示当前的acc
acc/loss可视化
# -*- coding: UTF-8 -*-
# 利用鸢尾花数据集,实现前向传播、反向传播,可视化loss曲线
# 导入所需模块
import tensorflow as tf
from sklearn import datasets
from matplotlib import pyplot as plt
import numpy as np
# 导入数据,分别为输入特征和标签
x_data = datasets.load_iris().data
y_data = datasets.load_iris().target
# 随机打乱数据(因为原始数据是顺序的,顺序不打乱会影响准确率)
# seed: 随机数种子,是一个整数,当设置之后,每次生成的随机数都一样(为方便教学,以保每位同学结果一致)
np.random.seed(116) # 使用相同的seed,保证输入特征和标签一一对应
np.random.shuffle(x_data)
np.random.seed(116)
np.random.shuffle(y_data)
tf.random.set_seed(116)
# 将打乱后的数据集分割为训练集和测试集,训练集为前120行,测试集为后30行
x_train = x_data[:-30]
y_train = y_data[:-30]
x_test = x_data[-30:]
y_test = y_data[-30:]
# 转换x的数据类型,否则后面矩阵相乘时会因数据类型不一致报错
x_train = tf.cast(x_train, tf.float32)
x_test = tf.cast(x_test, tf.float32)
# from_tensor_slices函数使输入特征和标签值一一对应。(把数据集分批次,每个批次batch组数据)
train_db = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32)
test_db = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)
# 生成神经网络的参数,4个输入特征故,输入层为4个输入节点;因为3分类,故输出层为3个神经元
# 用tf.Variable()标记参数可训练
# 使用seed使每次生成的随机数相同(方便教学,使大家结果都一致,在现实使用时不写seed)
w1 = tf.Variable(tf.random.truncated_normal([4, 3], stddev=0.1, seed=1))
b1 = tf.Variable(tf.random.truncated_normal([3], stddev=0.1, seed=1))
lr = 0.1 # 学习率为0.1
train_loss_results = [] # 将每轮的loss记录在此列表中,为后续画loss曲线提供数据
test_acc = [] # 将每轮的acc记录在此列表中,为后续画acc曲线提供数据
epoch = 500 # 循环500轮
loss_all = 0 # 每轮分4个step,loss_all记录四个step生成的4个loss的和
# 训练部分
for epoch in range(epoch): #数据集级别的循环,每个epoch循环一次数据集
for step, (x_train, y_train) in enumerate(train_db): #batch级别的循环 ,每个step循环一个batch
with tf.GradientTape() as tape: # with结构记录梯度信息
y = tf.matmul(x_train, w1) + b1 # 神经网络乘加运算
y = tf.nn.softmax(y) # 使输出y符合概率分布(此操作后与独热码同量级,可相减求loss)
y_ = tf.one_hot(y_train, depth=3) # 将标签值转换为独热码格式,方便计算loss和accuracy
loss = tf.reduce_mean(tf.square(y_ - y)) # 采用均方误差损失函数mse = mean(sum(y-out)^2)
loss_all += loss.numpy() # 将每个step计算出的loss累加,为后续求loss平均值提供数据,这样计算的loss更准确
# 计算loss对各个参数的梯度
grads = tape.gradient(loss, [w1, b1])
# 实现梯度更新 w1 = w1 - lr * w1_grad b = b - lr * b_grad
w1.assign_sub(lr * grads[0]) # 参数w1自更新
b1.assign_sub(lr * grads[1]) # 参数b自更新
# 每个epoch,打印loss信息
print("Epoch {}, loss: {}".format(epoch, loss_all/4))
train_loss_results.append(loss_all / 4) # 将4个step的loss求平均记录在此变量中
loss_all = 0 # loss_all归零,为记录下一个epoch的loss做准备
# 测试部分
# total_correct为预测对的样本个数, total_number为测试的总样本数,将这两个变量都初始化为0
total_correct, total_number = 0, 0
for x_test, y_test in test_db:
# 使用更新后的参数进行预测
y = tf.matmul(x_test, w1) + b1
y = tf.nn.softmax(y)
pred = tf.argmax(y, axis=1) # 返回y中最大值的索引,即预测的分类
# 将pred转换为y_test的数据类型
pred = tf.cast(pred, dtype=y_test.dtype)
# 若分类正确,则correct=1,否则为0,将bool型的结果转换为int型
correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)
# 将每个batch的correct数加起来
correct = tf.reduce_sum(correct)
# 将所有batch中的correct数加起来
total_correct += int(correct)
# total_number为测试的总样本数,也就是x_test的行数,shape[0]返回变量的行数
total_number += x_test.shape[0]
# 总的准确率等于total_correct/total_number
acc = total_correct / total_number
test_acc.append(acc)
print("Test_acc:", acc)
print("--------------------------")
# 绘制 loss 曲线
plt.title('Loss Function Curve') # 图片标题
plt.xlabel('Epoch') # x轴变量名称
plt.ylabel('Loss') # y轴变量名称
plt.plot(train_loss_results, label="$Loss$") # 逐点画出trian_loss_results值并连线,连线图标是Loss
plt.legend() # 画出曲线图标
plt.show() # 画出图像
# 绘制 Accuracy 曲线
plt.title('Acc Curve') # 图片标题
plt.xlabel('Epoch') # x轴变量名称
plt.ylabel('Acc') # y轴变量名称
plt.plot(test_acc, label="$Accuracy$") # 逐点画出test_acc值并连线,连线图标是Accuracy
plt.legend()
plt.show()
神经网络参数优化器
SGD
SGDM
含momentum的SGD,在SGD基础上增加一阶动量
搭建神经网络六步法
- import
- train,test
- model = tf.keras.models.Sequential
- model.compile
- model.fit
- model.summary
ults值并连线,连线图标是Loss
plt.legend() # 画出曲线图标
plt.show() # 画出图像
绘制 Accuracy 曲线
plt.title(‘Acc Curve’) # 图片标题
plt.xlabel(‘Epoch’) # x轴变量名称
plt.ylabel(‘Acc’) # y轴变量名称
plt.plot(test_acc, label=“
A
c
c
u
r
a
c
y
Accuracy
Accuracy”) # 逐点画出test_acc值并连线,连线图标是Accuracy
plt.legend()
plt.show()
## 神经网络参数优化器
#### SGD
#### SGDM
含momentum的SGD,在SGD基础上增加一阶动量
## 搭建神经网络六步法
- **import**
- **train,test**
- **model = tf.keras.models.Sequential**
- **model.compile**
- **model.fit**
- **model.summary**