tensorflow2 ---- 03.分类问题

手写数字识别

大致思路

$X$：[1, 784]， 灰度图像[28,28]，打平之后得到[1, 784]
$W$：[784, 10]
$b$：[10] $$out=XW+b$$[1, 784] $\cdot$ [784, 10] + [10] → [1, 10]
线性分类方法能解决这个问题吗？
灰度图像打平之后是个高维数据，线性模型很难完成这个问题
现在在线性分类的式子中加入ReLU激活函数$$out=f(XW+b)$$ 即$$out=ReLU(XW+b)$$
ReLU激活函数：
这样能解决手写数字识别的问题吗？还是不行！
那就多加几层，怎么加呢？往下看：
第一层（输入层）：$$h_1=relu(X{W}_1+b_1)$$第二层（隐藏层）：$$h_2=relu(h_1{W}_2+b_2)$$第三层（输出层）：$$out=relu(h_2{W}_3+b_3)$$
这样就能解决上述的手写数字识别问题了

现在参照上面的流程来大致理一下手写数字识别的过程：

1. 样本数据：
   $$X:[v_1,v_2,v_3,...,v_{784}]$$$$X\leftarrow [1,784]$$
2. 第一层（输入层）：
   $$h_1=relu(X{W}_1+b_1)$$$$[1,512]\leftarrow [1,784]\cdot [784,512]+[512]$$
3. 第二层（隐藏层）：
   $$h_2=relu(h_1{W}_2+b_2)$$ $$[1,256]\leftarrow [1,512]\cdot [512,256]+[256]$$
4. 第三层（输出层）：
   $$out=relu(h_2{W}_3+b_3))$$ $$[1,10]\leftarrow [1,256]\cdot [256,10]+[10]$$

那如何训练这个模型呢？这就要考虑损失函数 $loss$ 的问题
用欧式距离计算 $out$ 和 $Label$ 之间的距离，即，真实值 $y$ 与 $out$ 之间的距离平方和记为 $loss$ $$loss=\sum (y-out{)}^2$$

那么现在总结一下上述的过程：

第一步：计算 $h_1,h_2,out,pred$ o u t = r e l u { r e l u { r e l u [ X W 1 + b 1 ] W 2 + b 2 } W 3 + b 3 } out=relu\{relu\{relu[XW_1+b_1]W_2+b_2\}W_3+b_3\} out=relu{relu{relu[XW1​+b1​]W2​+b2​}W3​+b3​} $$pred=argmax(out)$$第二步：计算损失函数 $$loss=MSE(out,label)$$第三步：计算梯度和更新
用第二步中计算得到的 $loss$ 来优化 $W_1,b_1,W_2,b_2,W_3,b_3$，目的是使 $loss$ 最小化，求得参数 $W_1^{\prime },b_1^{\prime },W_2^{\prime },b_2^{\prime },W_3^{\prime },b_3^{\prime }$，最终使得 $out$ 更接近真实的 $y$

import os
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers, optimizers, datasets

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'


(x, y), (x_val, y_val) = datasets.mnist.load_data()

print(x.shape, y.shape, x_val.shape, y_val.shape)
# (60000, 28, 28) (60000,) (10000, 28, 28) (10000,)
print(type(x), type(y), type(x_val), type(y_val))
# <class 'numpy.ndarray'> <class 'numpy.ndarray'> <class 'numpy.ndarray'> <class 'numpy.ndarray'>


x = tf.convert_to_tensor(x, dtype=tf.float32) / 255.  # 将数据从numpy转换为tensor格式，使用tf进行处理
y = tf.convert_to_tensor(y, dtype=tf.int32)
print(type(x), type(y))
# <class 'tensorflow.python.framework.ops.EagerTensor'> <class 'tensorflow.python.framework.ops.EagerTensor'>
print(x.shape, y.shape)
# (60000, 28, 28) (60000,)

y = tf.one_hot(y, depth=10)
print(x.shape, y.shape)
# (60000, 28, 28) (60000, 10)

train_dataset = tf.data.Dataset.from_tensor_slices((x, y))
train_dataset = train_dataset.batch(200)  # batch=200

# 784 --> 512 --> 256 --> 10
model = keras.Sequential([
                            layers.Dense(512, activation='relu'),  # 784 --> 512
                            layers.Dense(256, activation='relu'),  # 512 --> 256
                            layers.Dense(10)  # 256 --> 10
                            ])

optimizer = optimizers.SGD(learning_rate=0.001)


def train_epoch(epoch):  # epoch对数据集迭代一次， step对epoch迭代一次
    # Step4.loop
    for step, (x, y) in enumerate(train_dataset):

        with tf.GradientTape() as tape:
            # [b, 28, 28] => [b, 784]
            x = tf.reshape(x, (-1, 28 * 28))
            # Step1. compute output
            # [b, 784] => [b, 10]
            out = model(x)
            # Step2. compute loss
            loss = tf.reduce_sum(tf.square(out - y)) / x.shape[0]

        # Step3. optimize and update w1, w2, w3, b1, b2, b3
        grads = tape.gradient(loss, model.trainable_variables)  # 自动求导
        # w' = w - lr * grad
        optimizer.apply_gradients(zip(grads, model.trainable_variables))  # 更新

        if step % 100 == 0:
            print(epoch, step, 'loss:', loss.numpy())


def train():
    for epoch in range(30):
        train_epoch(epoch)


if __name__ == '__main__':
    train()