文章目录
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()
# 总结 讲解了基本的神经网络,需要多练习,把这段代码背下来