Tensorflow2.0快速入门

大致过程

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（反传）
应用网络：将网络保存为模型，输入新数据，输出分类或预测结果（前传）

 

 

 

1)  输入时有两个 一个是样本参数，一个是标准答案

2）神经网络前向过程实际就是求一个样本是各个答案的概率

公式 y=x*w+b

其中w、b都是随机值，神经网络的目的就是通过反向训练获得一个最优的w和b，从而让样本计算出是标准答案的概率最大

3）损失函数就是判断w和b的优劣性的函数，因此此时目的转化为求w和b使得损失函数最小

4）从而引出了梯度下降法，因为对损失函数各个参数求偏导以后，梯度下降的方向就是参数优化的方向

5）三个重要公式  是学习率，一个超参数 

Tensorflow2.0常用函数学习

张量生成

 

张量的形状 看shape逗号隔开了几个数字 这个例子中只隔开了一个数字，所以是一维张量

2 代表里面有两个元素 

 

 

 

1创建一个张量 constant

2将numpy数据转换为tensor类型 convert_to_tensor

3创建全为0张量zeros

4创建全为1张量ones

5创建全为指定值张量fill

6生成正态分布随机数random.normal

7生成截断式正态分布随机数random.truncated_normal

8生成均匀分布随机数random.uniform

常用函数汇总

 

 

 

 这样就可以在反向传播了通过梯度下降更新参数 w 了

 

 将特征与标签配对的函数

 

实现损失函数对参数w的求导操作

在with结构中使用GradientTape，实现某个函数对指定参数的求导运算，配合variable实现损失函数对参数w的求导操作

 

 

 

用独热码表示标签

此处表示百分之0可能是狗尾草鸢尾 百分之百可能是杂色鸢尾 百分之0可能是弗吉尼亚鸢尾

 

 将待转换数据直接转换为独热码输出

交叉熵函数softmax将全连接层输出y转换成符合独热码形式输出（使输出符合概率分布）

 

 参数的自更新，需要先标记为可训练variable

1强制类型转换cast

2计算张量维度上元素的最小值

3计算张量维度上元素的最大值

4理解axis axis=0代表经度（竖着的） axis=1代表维度（横着的）

5计算张量沿着指定维度的平均值reduce_mean

6计算张量沿着指定维度的和reduce_sum

7将变量标记为“可训练” variable

8加减乘除 add、subtract、multiply、divide

9计算某个张量的平方square

10计算某个张量的n次方pow

11计算某个张量的开方sqrt

12实现两个矩阵的相乘matmul

13将特征与标签配对的函数data.Dataset.from_tensor_slices

14实现损失函数对参数w的求导操作

在with结构中使用GradientTape，实现某个函数对指定参数的求导运算，配合variable实现损失函数对参数w的求导操作

15遍历每个元素，与for连用 enumerate

16独热编码（one-hot encoding）将数据转换为独热码形式输出one_hot

17交叉熵函数softmax将全连接层输出y转换成符合独热码形式输出（使输出符合概率分布）nn.softmax

18参数的自更新，需要先标记为可训练variable ，更新参数的值并返回assign_sub

19返回张量沿指定维度最大值的索引值（注意此处是索引值）argmax

鸢尾花数据分类神经网络实现 

 

 

1导入的数据集是要乱序的，因为使用了同样的随机种子，打乱顺序后，特征和标签仍然是一一对应的

2训练集和测试集要求没有交集

3每32位输入特征标签对打包成一个batch，一会喂入神经网络时，会以batch为单位喂入

1定义所有参数 w1、b1 ，由于输入是4 输出是3 ,一层神经网络 所以~

2因为总数120 单batch是32 所以循环4次 ，输出每次step迭代的平均loss。 

# -*- 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   # iris代表鸢尾花数据集
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)  # 打乱特征
np.random.seed(116)
np.random.shuffle(y_data)  # 打乱标签
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
# 以后30行为分界线划分数据集，并命名训练集和测试集
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）
# 每32位输入特征标签对打包成一个batch，一会喂入神经网络时，会以batch为单位喂入
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“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 定义了一个数组
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 定义了一个数组
epoch = 500  # 循环500轮 定义了一个变量
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（求导）
        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()

神经网络优化

预备知识

 

 两个一维数组叠加成二维数组

构成网格坐标点 ，等差数组，拉伸，间隔数值点配对

复杂度与学习率

 

学习率表征了参数每次更新的幅度！！！ 

 指数衰减学习率

激活函数（提高系统非线性）

 

 

 

损失函数loss  均方误差、 自定义、 交叉熵

   

使用均方误差计算loss、认为预测多了或预测少了对系统造成的影响是一样的，但实际是不一样的，商人要利益最大化，所以可以使用自定义误差 

通过交叉熵可以判断，哪个值离标准值更近

实际中通常是 softmax与交叉熵结合使用

欠拟合与过拟合 

 

 正则化缓解过拟合

正则化通常只给参数w添加，在损失函数中引入模型复杂度指标，利用给w加权值，弱化了训练数据的噪声

损失函数形式随之发生改变 

过拟合例子 根据x1 和 x2 判断y值是取0还是取1

 

 

 很明显，曲线不够圆滑 存在过拟合，则采用l2正则化操作，则曲线更平缓，有效缓解了过拟合

            # 添加l2正则化
            loss_regularization = []
            # tf.nn.l2_loss(w)=sum(w ** 2) / 2
            loss_regularization.append(tf.nn.l2_loss(w1))
            loss_regularization.append(tf.nn.l2_loss(w2))
            # 求和
            # 例：x=tf.constant(([1,1,1],[1,1,1]))
            #   tf.reduce_sum(x)
            # >>>6
            # loss_regularization = tf.reduce_sum(tf.stack(loss_regularization))
            loss_regularization = tf.reduce_sum(loss_regularization)
            loss = loss_mse + 0.03 * loss_regularization #REGULARIZER = 0.03

 神经网络参数优化器

不同的优化器实际上只是定义了不同的一阶动量和二阶动量 

随机梯度下降法SGD

SGDM  在SGD基础上增加了一阶动量 

mt这个公式表示各时刻梯度方向的指数滑动平均值

公式里多了，表示上一时刻的一阶动量

Adagrad 在SGD基础上增加二阶动量 

 

RMSProp 在SDG 基础上增加了二阶动量 表征的是过去一段时间的平均值

 

 

曲线激荡 通过调小学习率可以解决，但此处在做对比实验，所以先不改

Adam 同时结合了SGDM一阶动量和RMSProp二阶动量 在此基础上增加了两个修正项

 

时间长但是收敛快啊，其实40次就差不多收敛了，后面460次都是不需要的，实际上设置迭代停止条件会快很多 

使用Keras搭建神经网络（Keras是基于TensorFlow的一个架构）（tf.keras是Tensorflow的API）

神经网络搭建八股

第一步，导入相关依赖

第二步，告知要喂入网络的训练集和测试集是什么，也就是要指定训练集的输入特征x_train和训练集的标签y_train，还可以指定测试集的输入特征x_test和测试集的标签y_test

第三步，在Sequential()中搭建网络结构，逐层描述每层网络，相当于走了一遍前向传播

第四步，在compile配置训练方法，告知训练时选择哪种优化器，选择哪种损失函数，选择哪种评测指标

第五步，在fit中执行训练过程，告知训练集和测试集的输入特征和标签，告知每个batch是多少，告知要迭代多少次数据集

第六步，用summary()打印出网络的结构和参数统计

iris代码复现

MNIST数据集

训练MNIST数据集

Fashion数据集