tensorflow框架（一）

学习mooc人工智能实践：tensorflow笔记的笔记

基于tensorflow搭建NN的路径：用张量表示数据，用计算图搭建神经网络，用会话执行计算图，优化线上权重（参数），得到模型。

用ubuntu中anaconda装tensorflow
用source activate tf 激活环境
退出环境 source deactivate

对于一些不能编译的warning，可以屏蔽

vim ~/.bashrc

在最后一行加入

`export TF_CPP_MIN_LOG_LEVEL=2

降低tensorflow的提示等级
再在终端运行

source ~/.bashrc

使刚才的配置文件生效

张量（tensor)

数据类型：

tf.float32 , tf.int32，
tf.bool: tf.constant([True,False])
tf.string: tf.constant(“Hello, World!”)

创建张量

tf.constant(张量内容，dtype=数据类型)
全为0：tf.zeros(维度)
全为1：tf.ones(维度)
全为指定值：tf.fill(维度，指定值)
生成正态分布随机数：tf.random.normal(维度，mean=均值，stddev=标准差）
生成截断式正态分布随机数：tf.random.truncated_normal(维度，mean=均值，stddev=标准差)如果生成的数据，偏离当前均值两个标准差，将重新生成
生成均匀分布随机数：tf.random.uniform(维度,minval=最小值,maxval=最大值)

维度：
一维 直接写个数
二维 用 [行，列]
多维 用 [n,m,j,k,…]

查看类型：tensor.dtype
查看形状: tensor.shape
将numpy数据类型转换为Tensor数据类型:
tf.convert_to_tensor(数据名，dtype=数据类型)

常用函数

强制tensor类型转换

tf.cast(张量名，dtype = 数据类型）

计算张量维度上的最小元素

tf.reduce_min(张量名）

计算张量维度上的最大元素

tf.reduce_max(张量名）

axis指定操作的方向

axis=0表示纵向，跨行
axis=1表示横向，跨列
不指定axis，所有元素参与运算

返回某维度上最大值的索引号

tf.argmax(张量名，axis=操作轴)

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()将变量标记为可训练

tf.Variable(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。神经网络训练中，常用该函数标记待训练参数

数学运算

加减乘除：tf.add(张量1，张量2）,tf.subtract(张量1，张量2）,tf.multipy(张量1，张量2）,tf.divide(张量1，张量2）
平方、次方与开方：tf.square(张量名),tf.pow（张量名,n次方数),tf.sqrt(张量名)
矩阵乘法：tf.matmul(矩阵1，矩阵2)

特征和标签配对

适用numpy格式和tensor格式
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
tf.data.Dataset.from_tensor_slices((输入特征，标签))

求张量梯度

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）
print(grad)

遍历每个元素

enumerate是python的内建函数，它可遍历每个元素（如列表，元组或字符串），组合为：索引，元素，常在for循环中使用。

seq = ['one', 'two', 'three']
for i,element in enumerate(seq)
    print(i, element)

独热编码

tf.one_hot(带转换数据，depth=几分类)

Softmax

n分类的n个输出（y0，y1,…,yn-1)通过softmax()函数，便符合概率分布了

自更新，自减

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)

tf.where()

tf.where(条件语句，真返回A，假返回B)

生成随机数

np.random.RandomState.rand(维度，seed= ）

两个数组按垂直方向叠加

np.vstack(数组1，数组2）

生成网格坐标点

np.mgrid[起始值：结束值：步长，起始值：结束值：步长，...]
x.ravel()将x变成一维数组
np.c_[数组1，数组2，...]使返回的间隔数值点配对

鸢尾花分类

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

# -*- 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；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，并计算acc
    # 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

复杂度

空间复杂度=层数（隐藏层+输出层）+参数个数（总w+总b）
时间复杂度=乘加运算次数

学习率

激活函数

sigmoid

深层神经网络的求梯度需要多层链式求导，也就是多个0-0.25的数相乘，最终会趋于0，造成梯度消失，参数无法继续更新

我们希望输入每层神经网络的特征都是以0为均值的小数值，sigmoid的都是正数，会使收敛变慢

Tanh函数

Relu函数

Leaky Relu函数

建议

损失函数

均方误差MSE

loss_mse=tf.reduce_mean(tf.squre(y_-y))

自定义

交叉熵cross entropy

tf.losses.categorical_crossentropy(y_, y)
分类问题可以用softmax函数与交叉熵结合，输出先过softmax函数，再计算y与y_的交叉熵损失函数
tf.nn.softmax_cross_entropy_with_logits(y_, y)

缓解过拟合

欠拟合的解决办法：
1.增加输入特征项
2.增加网络参数
3.减少正则化参数

过拟合的解决办法：
1.数据清洗
2.增大训练集
3.采用正则化
4.增大正则化参数

正则化

神经网络参数优化器

不同的优化器，实际上只是定义了一阶动量和二阶动量的函数

随机梯度下降SGD

没有动量

SGDM

引入一阶动量

mt表示各时刻梯度方向的指数滑动平均，0时刻为0

Adagrad

在SGD基础上，引入二阶动量，可以对模型中的每一个参数分配自适应学习率了

RMSProp

在SGD基础上增加二阶动量

Adam

同时结合SGDM一阶动量和RMSProp二阶动量