百度百科对Tensorflow的介绍
TensorFlow™是一个基于数据流编程（dataflow programming）的符号数学系统，被广泛应用于各类机器学习（machine learning）算法的编程实现，其前身是谷歌的神经网络算法库DistBelief [1] 。
Tensorflow拥有多层级结构，可部署于各类服务器、PC终端和网页并支持GPU和TPU高性能数值计算，被广泛应用于谷歌内部的产品开发和各领域的科学研究 [1-2] 。
TensorFlow由谷歌人工智能团队谷歌大脑（Google Brain）开发和维护，拥有包括TensorFlow Hub、TensorFlow Lite、TensorFlow Research Cloud在内的多个项目以及各类应用程序接口（Application Programming Interface, API） [2] 。自2015年11月9日起，TensorFlow依据阿帕奇授权协议（Apache 2.0 open source license）开放源代码 [2] 。
Tensorflow 2.0特点
Tensorflow基础
一、如何创建一个Tensor
1.创建一个张量
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)
print(a.dtype)
print(a.shape)
运行结果：
<tf.Tensor([1,5], shape=(2 , ) , dtype=int64)
<dtype: 'int64'>
(2,)
2.将Numpy的数据类型转换为Tensor数据类型
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)
3.创建全为0，1，指定值的张量
创建全为0的张量 的张量
tf. zeros( 维度)
创建全为1的张量 的张量
tf. ones( 维度)
创建全为指定值的张量
tf. fill( 维度，指定值)
a = tf.zeros([2, 3])
b = tf.ones(4)
c = tf.fill([2, 2], 9)
print(a)
print(b)
print(c)
运行结果：
tf.Tensor([[0. 0. 0.] [0. 0. 0.]], shape=(2, 3), dtype=float32)
tf.Tensor([1. 1. 1. 1.], shape=(4, ), dtype=float32)
tf.Tensor([[9 9] [9 9]], shape=(2, 2), dtype=int32)
4.生成正态分布的随机数
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)
d = tf.random.normal ([2, 2], mean=0.5, stddev=1)
print(d)
e = tf.random.truncated_normal ([2, 2], mean=0.5, stddev=1)
print(e)
运行结果：
tf.Tensor(
[[0.7925745 0.643315 ]
[1.4752257 0.2533372]], shape=(2, 2), dtype=float32)
tf.Tensor(
[[ 1.3688478 1.0125661 ]
[ 0.17475659 -0.02224463]], shape=(2, 2), dtype=float32)
5.生成均匀分布的随机数
生成均匀分布随机数 [ minval, maxval )
tf. random. uniform( 维度，minval= 最小值，maxval=最大值 ）
f = tf.random.uniform([2, 2], minval=0, maxval=1)
print(f)
运行结果
tf.Tensor(
[[0.28219545 0.15581512]
[0.77972126 0.47817433]], shape=(2, 2), dtype=float32)
二、常用函数
强制tensor转换为该数据类型 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)
x1 = tf.constant ([1., 2., 3.],
dtype=tf.float64)
print(x1)
x2 = tf.cast (x1, tf.int32)
print(x2)
print (tf.reduce_min(x2),
tf.reduce_max(x2))
运行结果：
tf.Tensor([1. 2. 3.], shape=(3,), dtype=float64)
tf.Tensor([1 2 3], shape=(3,), dtype=int32)
tf.Tensor(1, shape=(), dtype=int32)
tf.Tensor(3, shape=(), dtype=intt32)
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）
x=tf.constant( [ [ 1, 2, 3],
[ 2, 2, 3] ] )
print(x)
print(tf.reduce_mean( x ))
print(tf.reduce_sum( x, axis=1 ))
运行结果：
tf.Tensor(
[[1 2 3]
[2 2 3]], shape=(2, 3), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)
tf.Tensor([6 7], shape=(2,), dtype=int32)
tf.Variable () 将变量 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。
f.Variable( 初始值)
w = tf.Variable(tf.random.normal([2, 2], mean=0, stddev=1))
Tensorflow中的数学运算
实现两个张量的对应元素相加
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）
a = tf.ones([1, 3])
b = tf.fill([1, 3], 3.)
print(a)
print(b)
print(tf.add(a,b))
print(tf.subtract(a,b))
print(tf.multiply(a,b))
print(tf.divide(b,a))
运行结果：
tf.Tensor([[1. 1. 1.]], shape=(1, 3), dtype=float32)
tf.Tensor([[3. 3. 3.]], shape=(1, 3), dtype=float32
tf.Tensor([[4. 4. 4.]], shape=(1, 3), dtype=float32)
tf.Tensor([[-2. -2. -2.]], shape=(1, 3), dtype=float32)
tf.Tensor([[3. 3. 3.]], shape=(1, 3), dtype=float32)
tf.Tensor([[3. 3. 3.]], shape=(1, 3), dtype=float32)
计算某个张量的平方
tf.square ( 张量名)
计算某个张量的n次方 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）
a = tf.fill([1, 2], 3.)
print(a)
print(tf.pow(a, 3))
print(tf.square(a))
print(tf.sqrt(a))
运行结果：
tf.Tensor([[3. 3.]], shape=(1, 2),dtype=float32)
tf.Tensor([[27. 27.]], shape=(1, 2),dtype=float32)
tf.Tensor([[9. 9.]], shape=(1, 2),dtype=float32)
tf.Tensor([[1.7320508 1.7320508]],shape=(1, 2), dtype=float32)
tf.data.Dataset.from_tensor_slices
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 标签对，构建数据集
data = tf.data.Dataset.from_tensor_slices(( 输入特征, 标签)）
features = tf.constant([12,23,10,17])
labels = tf.constant([0, 1, 1, 0])
dataset = tf.data.Dataset.from_tensor_slices((features, labels))
print(dataset)
for element in dataset:
print(element)
运行结果：
<TensorSliceDataset shapes: ((),()), types: (tf.int32, tf.int32))>
(<tf.Tensor: id=9, shape=(), dtype=int32, numpy=12>, <tf.Tensor: id=10, shape=(),
dtype=int32, numpy=0>)
(<tf.Tensor: id=11, shape=(), dtype=int32, numpy=23>, <tf.Tensor: id=12, shape=(),
dtype=int32, numpy=1>)
(<tf.Tensor: id=13, shape=(), dtype=int32, numpy=10>, <tf.Tensor: id=14, shape=(),
dtype=int32, numpy=1>)
(<tf.Tensor: id=15, shape=(), dtype=int32, numpy=17>, <tf.Tensor: id=16, shape=(),
dtype=int32, numpy=0>)
tf.GradientTape
with 结构记录计算过程，gradient求出张量的梯度 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)
with tf.GradientTape( ) as tape:
w = tf.Variable(tf.constant(3.0))
loss = tf.pow(w,2)
grad = tape.gradient(loss,w)
print(grad)
运行结果：
tf.Tensor(6.0, shape=(), dtype=float32)
enumerate
enumerate 是python 的内建函数，它可遍历每个元素(如列表、元组 如列表、元组
或字符串 或字符串)， ， 组合为：索引 元素，常在 ，常在for循环中使用。 循环中使用。
enumerate( 列表名)
seq = ['one', 'two', 'three']
for i, element in enumerate(seq):
print(i, element)
运行结果：
0 one
1 two
2 three
tf.one_hot:独热编码（one-hot encoding）：在分类问题中，常用独热码做标签， ）：在分类问题中，常用独热码做标签，
标记类别： 标记类别：1 表示是，0表示非。
tf.one_hot() 函数将待转换数据，转换为one-hot形式的数据输出。 形式的数据输出。
tf.one_hot ( 待转换数据, depth= 几分类)
classes = 3
labels = tf.constant([1,0,2]) # 输入的元素值最小为0 ，最大为2
output = tf.one_hot( labels, depth=classes )
print(output)
运行结果：
[[0. 1. 0.]
[1. 0. 0.]
[0. 0. 1.]], shape=(3, 3), dtype=float32)
tf.nn.softmax
当n 分类的n个输出 个输出 （ （y 0 ， ，y 1 , …… y n-1 ）通过 ）通过softmax( ) 函数， 函数，
便符合概率分布了。
y = tf.constant ( [1.01, 2.01, -0.66] )
y_pro = tf.nn.softmax(y)
print("After softmax, y_pro is:", y_pro)
输出结果：
After softmax, y_pro is: tf.Tensor([0.25598174 0.69583046
0.0481878], shape=(3,), dtype=float32)
assign_sub:自动更新参数值
赋值操作，更新参数的值并返回。
w.assign_sub (w 要自减的内容)
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)
w = tf.Variable(4)
w.assign_sub(1)# w-=1 即 w = w - 1
print(w)
运行结果：
<tf.Variable 'Variable:0' shape=() dtype=int32, numpy=3>
tf.argmax
返回张量沿指定维度最大值的索引
tf.argmax ( 张量名,axis=操作轴)
import numpy as np
test = np.array([[1, 2, 3], [2, 3, 4], [5, 4, 3], [8, 7, 2]])
print(test)
print( tf.argmax (test, axis=0)) # 返回每一列（经度）最大值的索引 返回每一列（经度）最大值的索引
print( tf.argmax (test, axis=1)) # 返回每一行（纬度）最大值的索引
运行结果：
[[1 2 3]
[2 3 4]
[5 4 3]
[8 7 2]]
tf.Tensor([3 3 1], shape=(3,), dtype=int64)
tf.Tensor([2 2 0 0], shape=(4,), dtype=int64)
三、神经网络实现鸢尾花分类
# -*- 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；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))
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
# 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()
扫一扫
584
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
