人工智能的主流：连接主义。
人工智能的三个学派：
1、行为主义：基于控制论，由感知到控制。
2、符号主义：基于表达式，先描述表达式，再求解表达式，是一种用公式描述的人工智能。
3、连接主义：仿生学，神经网络的感性控制。
搭建一个完整的神经网络，往往需要以下几个步骤：
1、准备数据：特征和标签对（数据集）
2、搭建网络：确定神经网络的结构
3、优化参数：（利用反向传播）获取最佳参数
4、应用网络：保存训练模型，应用（前向传播）
神经网络的表达式：y=w*x+b y表示期望，w表示权重，b表示偏置，在最初的设计中，w和b都是随机设置的。
损失函数：预测期望值与实际值的差距，根据损失函数去判断参数w、b优化的好坏，是否还需要继续优化。常见的是均方误差（MSE），目的就是找到使损失函数最小的w和b。
梯度：损失函数对各参数求偏导后的向量，梯度下降的方向即损失函数变小的方向，沿着梯度的下降方向寻找损失函数的最小值。
迭代函数：wt=wt-lr*（loss对w的偏导） wt表示参数，lr表示迭代速率
Tensor：张量，多维数组
拥有的数据类型：int、float（32,64）、bool、string
创建张量tensor：tf.constant(张量内容，形状，dtype=数据类型)
张量内容如果是一个数值，那么在张量内部都会填充为该数值。
tf.constant([1 5], shape=(2，)， dtype=int64) 表示是一个两行，第一行为1第二行为5的整型张量。
对于numpy格式的数据，要用tf.convert_to_tensor(a,dtype=)转变为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）
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 tf.random.uniform(维度，minval=最小值，maxval=最大值) 最小最大为前闭后开区间
常见函数：
强制转换类型函数：tf.cast（A张量名，dtype=数据类型） 表明要将张量A转变为dtype后的数据类型
计算张量维度元素上的最小值：tf.reduce_min（张量A）
计算张量维度元素上的最大值：tf.reduce_max（张量A）
axis：指定axis等于0或1，来控制被执行的行与列。
axis=0，表示沿着行垂直往下（列）；axis=1，表示沿着列水平向右（行），如果不指定axis，则所有元素都参与计算。
tf.varuable(初始值)：
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。神经网络训练汇总，常用该函数标记带训练参数。
四则运算：
tf.add/subtract/multiply/divide（张量1，张量2），分别表示+-*/，只有相同维度的张量才可以进行四则运算。
平方：tf.square(张量)
次方：tf.pow(张量)
开方：tf.sqrt(张量）
矩阵乘：tf.matmul（a，b） a，b必须符合矩阵的运算要求
# -*- coding: UTF-8 -*-
# UTF-8编码解码器，使计算机能正确识别中文
# 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 #引入tensorflow包，并重命名为tf，后续的tf即表示tensorflow（用于神经网络搭建）
from sklearn import datasets #从sklearn包下载datasets数据集
from matplotlib import pyplot as plt #从matplotlib包引入pyplot函数，并重命名为plt（用于记录数据绘图输出图形）
import numpy as np #引入numpy包重命名为np（用于数值计算和数据扩展）
#一、准备数据
# ①数据集读入
# 导入数据，分别为输入特征和标签
x_data = datasets.load_iris().data #表示从datasets加载iris的特征数据
y_data = datasets.load_iris().target #表示从datasets加载iris的标签
#②数据集乱序
# 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
# shuffle用来吧一个列表中的元素顺序随机打乱
np.random.seed(116) # 使用相同的seed，保证输入特征和标签一一对应，先设置随机数，再执行乱序的shuffle操作
np.random.shuffle(x_data)
np.random.seed(116) #设置操作级别的种子数
np.random.shuffle(y_data)
# 此时x与y被打乱，但二者的特征和标签仍旧一一对应
tf.random.set_seed(116) #设置全局种子数
#③生成训练集及测试集
# 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
# 矩阵相乘时要求数据类型是一致的
x_train = tf.cast(x_train, tf.float32)#转换类型
x_test = tf.cast(x_test, tf.float32)#同上
#④配成（输入特征与标签对），每次读入一小撮
# 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)
# 将训练组的x与y对应起来，后边加.batch表示将该数据组按照每32个一组组成一个batch
test_db = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)
# 将测试组的x与y对应起来
# 二搭建神经网络
# 生成神经网络的参数，4个输入特征（鸢尾花有四个特征测量数据），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))
#标记w1是可训练参数，然后随机生成一个截取正态范围内的一部分作为随机数生成的区间（表示生成了一个四行三列，标准差为0.1，随机种子为1的矩阵）
b1 = tf.Variable(tf.random.truncated_normal([3], stddev=0.1, seed=1))
# b1作为偏置项，衡量的是一个神经元激活的难易程度，越大越难以被激活，通过对b的优化，使各个神经元达到最合适的激活状态
lr = 0.1 # 学习率为0.1，即沿着梯度下降方向的步长
train_loss_results = [] # 定义了一个列表（()为元组不可变，[]为列表可变，{}为字典），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 = [] # 定义了一个列表，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
# 120个数据分为每32个数据一组，进行训练。训练500epoch（轮）
for epoch in range(epoch): #for循环进行迭代训练（for往往针对的是次数已知的循环，while针对的是次数未知的），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
# enumerate函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，同时列出数据和数据下标，一般用在 for 循环当中
with tf.GradientTape() as tape: # with，上下文管理器，该结构记录梯度信息
y = tf.matmul(x_train, w1) + b1 # 神经网络矩阵乘法与加法运算，完成y=w*x+b的运算
y = tf.nn.softmax(y) # 使输出y（预测值）符合概率分布（此操作后与独热码同量级，可相减求loss）
# softmax层的输入是全连接，输出是0-1之间的一个概率值，取最大的为输出结果
y_ = tf.one_hot(y_train, depth=3) # 将标签值（实际值）转换为独热码格式，方便计算loss和accuracy
loss = tf.reduce_mean(tf.square(y_ - y)) # 损失函数采用均方误差mse = mean(sum(y-out)^2)，可以消除正负值带来的影响
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])
# gradient函数，求梯度
# 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，assign_sub 自减
b1.assign_sub(lr * grads[1]) # 参数b自更新
# 对每个epoch，打印loss信息
print("Epoch {}, loss: {}".format(epoch, loss_all/4))
train_loss_results.append(loss_all / 4) # 给train_loss_results追加内容，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) # argmax 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) #cast 强制转换数据类型，后边跟某个变量，指的是转变成该变量的格式
# 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) #比较pred和y_test的数据类型，二者的形式要一致，否则不能进行比较
# 相同输出true，不同输出false
# 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，0表示返回一个数
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绘图函数
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()
3万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
