python123第三周_吴恩达 DeepLearning 第二课第三周编程学习笔记（1）

吴恩达 DeepLearning 第二课第三周编程课后作业原版本使用tensorflow1.X编写，此笔记仅为改写1.X版本代码到2.X版本使用（任然使用1.X版本的静态计算图）

1.导入所需要的库

import numpy as np

import h5py

import matplotlib.pyplot as plt

import tensorflow as tf

import math

from tensorflow.python.framework import ops

from tf_utils import load_dataset, random_mini_batches, convert_to_one_hot, predict

2.tensorflow1.X版本执行步骤

对于1.X版本的静态计算图而言需要分两步，第一步定义计算图，第二部在会话中执行计算图。

对于Tensorflow的代码实现而言，实现代码的结构如下：

(1).定义计算图：

创建Tensorflow张量（此时，尚未直接计算）

实现Tensorflow张量之间的操作定义

初始化Tensorflow张量

(2).执行计算图：

创建Session

运行Session

执行计算图方式 1:

sess = tf.compat.v1.Session() #创建Session

result = sess.run(...) #运行Session

sess.close() #使用后需要关闭Session

执行计算图方式 2:

with tf.compat.v1.Session() as session: #创建Session

session.run(init) #运行变量初始化(如果需要)

result = sess.run(...) #运行Session

例：使用静态计算图计算loss

# 创建Tensorflow张量y_hat,y分别为常数（此时，尚未直接计算），可定义dtype=数据类型(可选)

y_hat = tf.constant(36)

y = tf.constant(39)

#实现Tensorflow张量之间的操作来定义loss的值

loss = tf.Variable((y - y_hat)**2) #tf.Variable(初始值) 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，常用于定义W和b

tf.compat.v1.disable_eager_execution() # 在2.X版本保证session.run()能够正常运行

init = tf.compat.v1.global_variables_initializer() #定义初始化Tensorflow张量

#执行计算图

with tf.compat.v1.Session () as session: #创建Session

session.run(init) # 运行初始化张量

print(session.run(loss)) # 运行得到loss的值

#最终结果为（39-36）的平方，为9

在例子中如果没有执行计算图就直接输出loss，会得到Tensorflow的可训练的张量，不会得到数值9.

3.创建占位符：tf.compat.v1.placeholder（shape=[x,y],dtype=dtype）

因为在tf1.X版本中需要使用session来执行计算图，需要使用占位符来替代网络的输入X，以便在session中再为其赋具体值，而在tf2.X版本就不需要使用。

sess = tf.compat.v1.Session () #创建Session

x = tf.compat.v1.placeholder(tf.int64)#定义占位符

print(sess.run(2 * x, feed_dict = {x: 2}))#使用字典feed_dict，将x赋值2

sess.close()

4.计算成本：

计算成本多使用以下公式：

而在tf2.X使用 tf.nn.sigmoid_cross_entropy_with_logits(logits = a, labels = y)命令来完成输入z,计算a=sigmoid（z）,计算成本的全过程。该函数输入预测值a以及标签值y，输出张量Tensor("logistic_loss:0", dtype=)，需要使用session来运行得到具体值。

5.独热码的转换：tf.one_hot(待转换数据，depth=几分类，axis=)

在分类问题中，用独热码，即one_hot做标签，‘1’表示是，‘0’表示非，将待转换数据，转换为one_hot形式的张量（Tensor("one_hot_18:0", shape=, dtype=)）进行输出，需要使用session来运行得到具体值。axis=0和1影响最终矩阵维度。

def one_hot_matrix(labels, C):

"""

定义:

labels -- 需要转化的标签

C -- 分类数目

整个函数返回值: 独热码矩阵

"""

# 转化独热码

one_hot_matrix = tf.one_hot(labels,C,axis=1)

# 运行Session，使得返回值为矩阵而非张量

sess = tf.compat.v1.Session()

one_hot = sess.run(one_hot_matrix)

sess.close()

return one_hot