TENSORFLOW2.0 第一章神经网络计算

燕凌鲛

已于 2023-02-21 16:34:20 修改

阅读量387

点赞数 1

分类专栏： # 深度学习-知识学习文章标签：神经网络

于 2021-04-05 17:29:33 首次发布

本文链接：https://blog.csdn.net/qq_49421419/article/details/115442791

版权

深度学习-知识学习专栏收录该内容

1 篇文章 0 订阅

订阅专栏

本文介绍了人工智能的基础知识，包括神经网络设计过程和张量生成，并详细展示了如何使用TensorFlow处理鸢尾花数据集，进行分类任务。涉及的数据处理方法包括张量操作、随机数生成、数据类型转换以及损失函数计算。最后，通过代码实现了一个简单的神经网络模型，用于鸢尾花分类，并进行了训练和准确率计算。

摘要由CSDN通过智能技术生成

前言

最近在学机器学习的内容，尝试用CSDN做代码的笔记。数学原理仍然用纸笔记录，代码就用CSDN吧。

一、人工智能三个学派

见笔记本

二、神经网络设计过程

见笔记本

三、张量生成

张量：n阶数组（多维列表）

3.1 数据类型

tf.int#整数型
tf.float#浮点型
tf.bool#布尔型
tf.string#字符串型
tf.constant(张量内容，dtype=数据类型)#创建一个张量
shape=(5,) dtype=in64
tf.convert_to_tensor(数据名，dtype=数据类型(可选))#将numpy的数据类型转换为Tensor数据类型
tf.zeros(维度)#创建维度为n,数据全为0的张量
tf.ones(维度)#创建维度为n，数据全为1的张量
tf.fill(维度,指定值)
维度：
一维 直接写数字
二维 用[行,列]
n维  用[m,n,j,k...]

3.2生成随机数

tf.random.normal(维度,mean=均值,stddev=标准差)#生成正态分布的随机数
tf.random.fruncated_normal(维度,mean=均值,stddev=标准差)#生成截断式正态分布
#取值范围在（μ-2a，μ+2a）
tf.random.uniform(维度,minval=最小值,maxval=最大值)#生成均匀分布随机数

四、常用函数

4.1 操作张量

tf.cast(张量名,dtype=数据类型)#强制tensor转换为该数据类型
tf.reduce_min(张量名)#计算张量维度上元素的最小值
tf.reduce_max(张量名)#计算张量维度上元素的最大值
tf.reduce_mean(张量名,axis=操作轴)#在操作轴上计算均值，0为跨行，1为跨列
tf.Variable(初始值)#将变量标记为“可训练”

4.2 数学运算

tf.add  tf.subtract  tf.multiple  tf.divide
tf.square  tf.pow(张量名,n次方数)  tf.sqrt
tf.matmul#矩阵乘法、
#梯度计算：
with tf.Gradient Tape() as tape:
  w = tf.Variable(tf.constant(5.0))#给定初始值
  loss=tf.pow(w,2)
  grad=tape.gradent(loss,w)#loss对w的偏导

4.3 数据处理

enumerate#遍历所有元素
data=tf.data.Dataset.from_tensor_slices((输入特征,标签))#生成输入特征/标签对
tf.one_hot(lables,depth=classes)#独热编码
tf.nn.softmax(x)#使输出符合概率分布
assign_sub#自减，调用次函数前，应先用tf.Variable定义张量
#例如：
w=tf.Variable(4)
w.assign_sub(1)#w的值变为3
tf.argmax(张量名,axis=操作轴)#返回张量沿指定维度最大值的索引号

五、鸢（yuan）尾花数据集读入

有150组数据：花萼长、花萼宽、花瓣长、花瓣宽4个输入特征，三个种类。

from sklearn import datasets#datasets为读入数据函数
from pandas import DataFrame#DataFrame为列添加标签行
import pandas as pd

x_data=datasets.load_iris().data#返回iris数据集所有输入特征
y_data=datasets.load_iris().target#返回iris数据集所有标签

x_data=DataFrame(x_data,columns=[...,...,...])#为列添加标签行
pd.set_option('display.unicode.east_asian_width',True)#列名对齐
x_data['类别']=y_data#新加一列，列标签为‘类别’

下载资源包：
首先点击Terminal

pip  install sklearn#安装sklearn包
pip  install pandas#安装pandas包

六、神经网络实现鸢尾花分类

1.数据集读入
从sklearn包datasets读入数据集

form sklearn.datasets import datasets
x_data = datasets.load_iris().data#返回iris数据集所有输入特征
y_data = datasets.load_iris().target#返回iris数据集所有标签

3.数据集乱序

np.random.seed(116)#使用相同的随机种子seed，使输入特征/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)

3.数据集分出永不相见的训练集和测试集

x_train = x_data[:-30]
y_train = y_data[:-30]
x_test = x_data[-30:]
y_test = y_data[-30:]

数据类型转换。

x_train = tf.cast(x_train, tf.float32)
x_test = tf.cast(x_test, tf.float32)

4.配成[输入特征,标签]对，每次喂入一小撮(batch)

train_db = tf.data.Dataset.from_tehsor_slices((x_train,y_train)).batch(32)
test_db = tf.data.Dataset.from_tehsor_slices((x_test,y_test)).batch(32)

5.定义神经网中所有可训练参数

w1 = tf.Variable(tf.random.truncated_normal([4,3],stddev=0.1,seed=1))
#4个输入特征，3个分类，w四行三列
b1 = tf.Variable(tf.random.truncated_normal([3],stddev=0.1,seed=1))
lr = 0.1 # 学习率为0.1
train_loss_result = [] #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  #每轮分布在4个step, loss_all记录四个step生成的4个loss的和

6.嵌套循环迭代，with结构更新参数，显示当前loss

for epoch in rang(epoch):#数据集级别迭代
  for step,(x_train,y_train) in enumerate(train_db):#batch级别迭代
    with tf.GrandientTape() as tape#记录梯度信息
      y = tf.matmul(x_train, wi) + b1  #神经网络乘加运算
      y = tf.nn.softmax(y)             #使y符合概率分布
      y_ = tf.one_hot(y_train,depth=3) #将标签值转化为独热码格式，方便计算loss和acc
      loss = tf.reduce_mean(tf.square(y_ - y)) #采用均方误差损失函数
      loss_all += loss.numpy()  #将每一个step计算出来的loss累加
    grads = tape.gradient(loss,[w1,b1]) #求梯度
    w1.assign_sub(lr*grads[0])#参数自更新
    b1.assign_sub(lr*grads[1])
  print("Epoch {},loss:{}".format(epoch,loss_all/4))
  loss_all = 0 #loss_all归零，为记录下一个epoch的loss做准备

7.计算当前参数向前传播后的准确率，显示当前acc

for x_test, y_test in text_db:
  y = tf.matmul(h,w)+b # y为预测结果
  y=tf.nn.softmax(y)   # y符合概率分布
  pred = tf.argmax(y,axis=1)#返回y中最大值的索引，即预测的分类
  pred = tf.cast(pred,dtype=y_test.dtype)#调整数据类型与标签一致
  correct = tf.cast(tf.equal(pred,y_test),dtype=tf.int32)#如果预测值和标签相等
  correct = tf.reduce_sum(correct)#将每个batch的correct数加起来
  total_correct += int(correct)#将所有batch中的correct数加起来
  #total_number是测试的总样本数，也就是x_test的行数，shpe[0]返回变量的行数
  total_number += x_test.shape[0]
acc = total_correct/total_number#准确率
prnt("test_acc:"acc)

8.acc/loss可视化
loss

plt.title('Loss Function Curve')#图片标题
plt.xlabel('Epoch')#x轴名称
plt.ylabel('Loss')#y轴名称
ply.plot(test_loss,label="$Loss$")#逐点画出tes_loss值并连线
plt.legend()#画出曲线图标
plt.show()#画出图像

acc

plt.title('Acc Curve')#图片标题
plt.xlabel('Epoch')#x轴名称
plt.ylabel('Acc')#y轴名称
ply.plot(test_acc,label="$Accuracy$")#逐点画出tes_acc值并连线
plt.legend()
plt.show()