Tensorflow入门

计算机视觉和图像处理

1. Tensorflow入门
2. 深度神经网络
3. 图像分类
4. 目标检测
5. 图像分割
6. OpenCV
7. Pytorch
8. NLP自然语言处理

一、深度学习框架—TensorFlow

1.1 TensorFlow介绍

TensorFlow 是一个非常强大且流行的开源机器学习框架，可以让开发者轻松构建和部署各种类型的机器学习模型，包括但不限于深度学习模型。

TensorFlow 的主要组件

• Tensor：TensorFlow 中的基本数据结构，是一个多维数组，可以用来表示数据。
• Graph：TensorFlow 1.x 中使用的一种数据流图，用于描述计算过程。
• Session：TensorFlow 1.x 中用于执行 Graph 中的计算。
• Eager Execution：TensorFlow 2.x 引入的一种即时执行模式，允许开发者以更直观的方式编写和调试代码。
• Keras：一个高级神经网络 API，自 TensorFlow 2.0 开始集成到 TensorFlow 中，提供了易于使用的接口来构建和训练模型。

1.2 安装TensorFlow

1. 创建虚拟环境
   在Anaconda终端中创建虚拟环境tf_env

conda create --name tf_env

2. 激活虚拟环境

conda activate tf_env

3. 安装TensorFlow

pip install tensorflow -i https://pypi.tuna.tsinghua.edu.cn/simple

4. 查看是否安装成功

import tensorflow as tf
rf._version_

1.3 张量及其操作

1.3.1 张量Tensor

张量是⼀个多维数组。 与NumPy ndarray对象类似

import tensorflow as tf
import numpy as np

1. 创建张量

# 创建0维张量,即标量(数字)
tf.constant(3)

# 创建一维张量
tf.constant([1.0, 2.0, 3.0])

# 创建二维张量
tf.constant([[1,2],[3,4],[5,6]],dtype=tf.float16)

# 创建三维张量
tf.constant([[[1,2,3,4,5],[6,7,8,9,10]],[[11,12,13,14,15],[16,17,18,19,20]],[[21,22,23,24,25],[26,27,28,29,30]]])

2. 转换为numpy

tensor1 = tf.constant([1,2,3,4,5])
tensor1.numpy()

np.array(tensor1)

3. 常用函数

a = tf.constant([[1,2],[3,4]])
b = tf.constant([[1,1],[1,1]])

# 加法
tf.add(a,b)

# 元素相乘
tf.multiply(a,b)

# 矩阵乘法
tf.matmul(a,b)

# 最大值
tf.reduce_max(a)

# 最大索引
tf.argmax(a)

# 平均值
tf.reduce_mean(a)

4. 变量

var = tf.Variable([[1,2],[3,4]])
var

var.shape

var.dtype

var.numpy()

# 变量形状不可以改变，可以改变其中参数
var.assign([[6,7],[8,9]])

1.4 tf.keras介绍

tf.keras 是 TensorFlow 提供的一个高级 API，用于构建和训练深度学习模型。它旨在提供一个用户友好、模块化且易于扩展的接口，以便开发人员能够轻松地设计和训练复杂的神经网络模型。tf.keras 兼容 TensorFlow 2.x，并且可以无缝地与其他 TensorFlow 功能集成。

1.4.1 tf.keras 的主要组件

1. 模型
   Sequential：这是一个线性堆叠层的模型，适合简单的前馈网络。
   Functional API：这是一种更灵活的方法，允许创建具有任意拓扑结构的模型，包括多输入/多输出模型、共享层模型等。
   Subclassing：这是一种通过继承 tf.keras.Model 类来定义模型的方法，适用于更复杂的情况，例如循环网络或需要自定义训练循环的情况。
2. 层
   Dense：全连接层，是最常用的层之一。
   Convolutional Layers：卷积层，用于处理图像和其他二维数据。
   Pooling Layers：池化层，用于降低数据的空间维度。
   Recurrent Layers：循环层，如 LSTM 和 GRU，用于处理序列数据。
   Normalization Layers：归一化层，如 Batch Normalization，用于加速训练过程。
   Dropout Layer：用于防止过拟合的层。
3. 优化器
   Adam：一种自适应学习率优化算法，广泛用于深度学习。
   SGD：随机梯度下降优化器，适用于各种情况。
   RMSprop：另一种自适应学习率优化器，适用于训练 RNNs 和其他模型。
4. 损失函数
   Mean Squared Error (MSE)：均方误差，用于回归任务。
   Categorical Crossentropy：多类别分类任务中常用的损失函数。
   Binary Crossentropy：二分类任务中常用的损失函数。
5. 指标
   Accuracy：分类任务中最常用的指标之一。
   Precision：精确率，用于评估模型预测正例的能力。
   Recall：召回率，用于评估模型识别所有正例的能力。

1.4.2 tf.keras使用

1. 使⽤tf.keras进⾏分类时的主要流程：数据处理-构建模型-模型训练-模型验证
2. tf.keras中构建模型可通过squential()来实现并利⽤.fit()⽅法进⾏训练
3. 使⽤evaluate()⽅法计算损失函数和准确率

详见快速入门模型 2.4

二、快速入门模型(iris)

2.1 导入相关库

# 导入相关库
import seaborn as sns
import numpy as np
import pandas as pd
# 机器学习sklearn
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegressionCV
# 深度学习tf.keras
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras import utils

2.2 数据处理

# 加载数据
iris = pd.read_csv('iris_data.csv')
iris.head()

# 数据展示
sns.pairplot(iris.drop("label",axis=1),hue='target')

# 获取数据集的特征值和目标值
# values返回 DataFrame 中的数据作为 NumPy 数组
x = iris.values[:,0:4]
y = iris.values[:,4]

#数据划分
x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.4,random_state=2)

2.3 sklearn实现鸢尾花

# 使用逻辑回归
lr = LogisticRegressionCV()
lr.fit(x_train,y_train)

# 模型评估
lr.score(x_test,y_test)

2.4 tf.keras的实现

2.4.1 数据处理

# 目标值进行热编码
def one_hot_encode(arr):
    # 获取目标值中的所有类别并进行热编码
    # return_inverse返回arr每个原始数组元素在uniques唯一值数组中的索引位置,即ids
    uniques,ids = np.unique(arr,return_inverse=True)
    # to_categorical将整数数组dis转换为二进制（即 One-Hot）表示。
    return utils.to_categorical(ids,len(uniques))

# 对训练集进行热编码
y_train_one = one_hot_encode(y_train)

y_train_one

# 对测试集进行热编码
y_test_one = one_hot_encode(y_test)

2.4.2 模型构建

# 通过sequential进行构建
model = Sequential([
    # 隐藏层，激活函数relu
    Dense(10,activation="relu",input_shape=(4,)),
    # 隐藏层
    Dense(10,activation="relu"),
    # 输出层
    Dense(3,activation="softmax")
])

# 查看模型的架构
model.summary()

# 查看模型的架构
utils.plot_model(model,show_shapes=True)

2.4.3 模型训练与预测

# 模型编译
# optimaizer优化策略,loss损失函数,metrics评估指标
model.compile(optimizer="adam",loss="categorical_crossentropy",metrics=["accuracy"])

# 类型转换
x_train = np.array(x_train,dtype=np.float32)
x_test = np.array(x_test,dtype=np.float32)

# 模型训练
# epochs训练轮次,batch_size每次更新权重所使用的样本数量为1,verbose训练过程的显示模式
model.fit(x_train,y_train_one,epochs=10,batch_size=1,verbose=1)

# 模型评估
loss,accuracy = model.evaluate(x_test,y_test_one,verbose=1)