深度学习记录（1） - 基础知识与tensorflow keras

0.tensorflow安装

推荐使用anaconda配置环境。

• CPU版本

pip install tensorflow==2.3.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

• GPU版本

pip install tensorflow--gpu==2.3.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

1. 张量（Tensor）是什么

张量是一个多维数组，与NumPy中的ndarrdy对象类似，tf.Tensor也具有数据类型和形状。如下图所示：
0维张量，即是标量。

在使用张量操作之前需要先导入相应的工具包。

import tensorflow as tf
import numpy as np

基本方法

# 创建int32类型的0维张量，即标量
rank_0_tensor = tf.constan(4)
# 创建float32类型的1维张量
rank_1_tensor = tf.constant( [1.2, 3.0, 4.0] )
# 创建float16类型的二维张量
rank_2_tensor = tf.constant([1, 2],
							[3, 4], dtype = tf.float16 )

可以继续增加维度，同理。

2. tensor转numpy

• np.array( tensor )
• tensor.numpy()

3. tensor常用函数

# 加法
tf.add(a, b)
# 按照元素相乘
tf.multiply(a, b)
# 张量相乘
tf.matmul(a, b)
# 求和
# 求最大值、最小值

4. 变量

变量是一种特殊的张量，形状不可改变，但是参数可以改变。

# 定义变量
var = tf.Variable([1, 2], [3, 5);

使用 assign方法可以改变变量的属性，但改变的时候一定要保证形状一样，否则会报错。

5. tf.keras

• tf.keras是tf2.0以后的高阶API接口，官方推荐用tf.keras来进行模型设计和开发

• tf.keras与keras不完全一样。

6. 有关深度学习

深度学习实现的主要流程：

1. 数据获取
2. 数据预处理
3. 模型创建与训练
4. 模型测评与评估
5. 模型预测

6.1 导入tf.keras

import tensorflow as tf
from tensorflow import keras

6.2 数据预处理

对于小的数据集，可以直接使用numpy格式的数据进行训练、评估模型，对于大型数据集或者要进行跨设备训练时使用tf.data.datasets来进行数据输入。

6.3 模型构建

• 简单模型使用Sequential进行构建
• 复杂模型使用函数是编程来构建
• 自定义layers

6.4 模型训练与评估

• 配置训练过程： 配置优化方法，损失函数和评价指标
• 训练：指明训练集，epoch，batchSize和验证集数据
• 评估：指明评估数据集和BatchSize
• 预测 ：对样本进行预测

7. 回调函数

可以自定义回调函数，也可以使用tf.keras.callbacks内置的回调函数。

8. 模型的保存和恢复

• 只保存参数

model.save_weights("./xxx.xxx");
model.load_weights("./xxx.xxx");

• 保存整个模型

model.save("./xxx.h5");
model.keras.models.load_model("./xxx.xxx");