Tensorflow学习
前期准备
Anaconda安装,tensorflow安装
一、第一章
1.1神经网络(连接主义)的程序流程
- 人工智能三学派
- 行为主义:基于控制论,构建感知-动作控制系统
- 符号主义:基于算数逻辑表达式,求解问题时先把问题描述为表达式,再求解表达式
- 连接主义:仿生学,模仿神经元连接关系
- 神经网络:
- 准备数据:采集大量“特征/标签”数据
- 搭建网络:搭建神经网络结构
- 优化参数:训练网络获取最佳参数(反转)
- 应用网络:讲网络保存为模型,输入新数据,输出分类或预测结果(前传)
1.2鸢尾花分类问题
神经网络:采集大量(花萼长、花萼宽、花瓣长、花瓣款,对应的类别)数据对构成数据集
MP模型
- x为输入特征,w为权重,b为偏置项
损失函数
梯度下降
反向传播
1.3tensorflow函数
session1
- tf.constant(张量内容,dtype=数据类型(可选))
import tensorflow as tf
a=tf.constant([1,5],dtype=tf.int64)
print(a)
#运行结果
<tf.Tensor([1,5],shape=(2,),dtype=int64)>
- 将numpy的数据类型转换为Tensor类型
tf.convert_to_tensor(数据名,dtype=数据类型(可选))
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)
- 如何创建一个Tensor
#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)
维度:
一维 直接写个数
二维 用[行,列]
多维 用[n,m,j,k…]
#生成正态分布的随机数,默认均值为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.truncated_normal(维度,mean=均值,stddev=标准差)
#生成均匀分布随机数[min,max)
tf.random.uniform(维度,minval=最小值,maxval=最大值)
在tf.truncated_normal中如果随机生成数据的取值在( μ − 2 σ , μ + 2 σ \mu-2\sigma,\mu+2\sigma μ−2σ,μ+2σ)之外则重新进行生成,保证了生成值在均值附近
标准差计算公式 σ = Σ i = 1 n ( x i − x ‾ ) 2 n \sigma=\sqrt\frac{\Sigma_{i=1}^{n}(x_i-\overline{x})^2}{n} σ=nΣi=1n(xi−x)2
session2
#强制tensor转换为该数据类型
tf.cast(张量名,dtype=数据类型)
#计算张量维度上元素的最小值
tf.reduce_min(张量名)
#计算张量维度上元素的最大值
tf.reduce_max(张量名)
- 理解axis:在一个二维张量或数组中,可以通过调整axis等于0或1控制执行维度。
- axis=0代表跨列(经度,down),而axis=1代表跨行(纬度,across)
- 如果不指定axis,则所有元素参与计算
#计算张量沿着指定维度的平均值
tf.reduce_mean(张量名,axis=操作轴)
#计算张量沿着指定维度的和
tf.reduce_sum(张量名,axis=操作轴)
tf.Variable(tf.random.normal([2,2],mean=0,stddev=1))
#tf.Variable()将变量标记为“可训练”,被标记的变量会在反向传播中记录梯度信息。
#神经网络训练中,常用该函数标记待训练参数。
tf.Variable(初始值)
w=tf.Variable(tf.random.normal([2,2],mean=0,stddev=1))
#数学运算函数
#实现两个张量对应元素相加
tf.add(张量1,张量2)
#实现两个张量的对应元素相减
tf.subtract(张量1,张量2)
#实现两个张量的对应元素相乘
tf.multiply(张量1,张量2)
#实现两个张量的对应元素相除
tf.divide(张量1,张量2)
#维度相同的两个张量才可以进行四则运算
#平方,次方与开方
#计算某个张量的平方
tf.square(张量名)
#计算某个张量的n次方
tf.pow(张量名,n次方数)
#计算某个张量的开方
tf.sqrt(张量名)
#矩阵乘法
tf.matmul(矩阵1,矩阵2)
#切分传入张量的第一维度,生成输入特征/标签对,构建数据集
data=tf.data.Dataset.from_tensor_slices((输入特征,标签))
#例子
features=tf.constant([12,23,10,17])
lables=tf.constant([0,1,1,0])
dataset=tf.data.Dataset.from_tensor_slices((features,lables))
print(dataset)
for element in data:
print(element)
session3
#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)
#enumerate是ptthon的内建函数,可遍历每个元素(如列表、元组或字符串),组合为:索引 元素,常在for循环中使用
enumerate(列表名)
seq=['one','two','three']
for i,element in enumerate(seq):
print(i,element)
#独热编码(one-hot encoding):在分类问题中,常用独热码作标签,标记类别:1表示是,0表示非
tf.one_hot(待转换数据,depth=几分类)
#tf.nn.softmax使输出符合概率分布
tf.nn.softmax(x)
#结果总和等于1
S o f t m a x ( y i ) = e y i Σ j = 0 n e y i Softmax(y_i)=\frac{e^{y_i}}{\Sigma_{j=0}^{n}e^{y_i}} Softmax(yi)=Σj=0neyieyi
#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(w要自减的内容)
#例子
w=tf.Variable(4)
w.assign_sub(1)
#返回张量沿指定维度最大值的索引
tf.argmax(张量名,axis=操作轴)
学习记录,侵权必删,本文参考【Tensorflow零基础入门教学,手把手教你从安装到搭建好第一个神经网络模型,全用心的必看Tensorflow教程!| 新手篇】 https://www.bilibili.com/video/BV1Kg4y1Z73F/?p=12&share_source=copy_web&vd_source=c62a50333f8ab9149f6acfdf0a7c31e7