tensorflow

张量

张量是多维数组（列表），阶是张量的维数。

#1.创建一个张量：
tf.constant(张量内容, dtype=数据类型)
#2.将numpy的数据类型转换为Tensor数据类型
tf.convert_to_tensor(数据名, dtype=数据类型)
#3.创建全为0的张量
tf.zeros(维度)
#3.创建全为1的张量
tf.ones(维度)
#4.创建全为指定值的张量
tf.fill(维度,指定值)
#5.生成正态分布的随机数，默认均值为0，标准差为1
tf.random.normal(维度,mean=均值,stddev=标准差)
#6.生成截断式正态分布的随机数 生成数据在均值附近
tf.random.truncated_normal(维度,mean=均值,stddev=标准差)

常用函数

#强制tensor转换为改数据类型
tf.cast(张量名,dtype=数据类型)
#计算张量维度上元素的最小值,最大值
tf.reduce_min(张量名)
tf.reduce_max(张量名)
#计算张量沿着指定维度的平均值，和  axis = 0列向操作，=1横向操作
tf.reduc_mean(张量名,axis=操作轴) 
tf.reduc_sum(张量名,axis=操作轴) 
#tf.Variable()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。神经网络训练中，常用改函数标记待训练参数。
w = tf.Variable(tf.random.normal([2,2], mean=0,stddev=1))
#数学运算
#四则运算： 只有维度相同的张量才可以做四则运算
tf.add, tf.subtract, tf.multiply, tf.divide
#平方、次方与开方：
tf.square, tf.pow, if.sqrt
#矩阵乘 
tf.matmul
#将输入特征与标签配对，构建数据集
data = tf.data.Dataset.from_tensor_slices((输入特征,标签))
#with结构记录计算过程，gradient求出张量的梯度
with tf.GradientTape() as tape:
	w = tf.Variable(tf.constant(3.0))
	loss = tf.pow(w,2)
grad = tape.gradient(loss,w)#(函数，对谁求导)
#enumerate 它可遍历每个元素（如列表、元组或字符串），返回（索引，元素）
for i,element in enumerate(容器):
	print(i,element)
#tf.one_hot() 函数将待转换数据转换为one-hot形式的数据输出
tf.one_hot(待转换数据,depth=几分类)
#tf.nn.softmax()使输出符合概率分布
#返回张量沿指定维度最大值的索引
tf.argmax(张量名,axis=操作轴)

网络搭建

#import ：
import tensorflow as tf
import os
import numpy as np
from tensorflow.keras.layers import Conv2D, BatchNormalization, Activation, MaxPool2D, Dropout, Flatten, Dense
from tensorflow.keras import Model
train, test
#定义网络结构
model = tf.keras.models.Sequential([网络结构])
	#网络结构举例：
	#拉直层 
	tf.keras.layers.Flatten()
	#全连接层
	tf.keras.layers.Dense(神经元个数,activation='激活函数',kernel_regularizer=正则化)
		#激活函数可选：
		relu,softmax,sigmoid,tanh
		#kernel_regularizer可选
		tf.keras.regularizers.l1(), tf.keras.regularizers.l2()
	#卷积层
	tf.keras.layers.Conv2D(filters =卷积核个数,kernel_size=卷积核尺寸 ,strides=卷积步长,padding="valid" or "same")
	#LSTM层
	tf.keras.layers.LSTM()
#配置神经网络的训练方法
model.compile(optimizer = 优化器 
			,loss = 损失函数
			,metrics = ["准确率"])
	#Optimizer可选：
	'sgd' or tf.keras.optimizers.SGD(lr=学习率, momentum=动量参数)
	'adagrad' or tf.keras.optimizers.Adagrad(lr=学习率)
	'adadelta' or tf.keras.optimizers.Adadelta(lr=学习率)
	'adam' or tf.keras.optimizers.Adam(lr=学习率,beta_1=0.9,beta_2=0.999)
	#loss可选：
	'mse' or tf.keras.losses.MeanSquaredError()
	'sqarse_categorcal_crossentropy' or tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False)
	#Metrics可选：
	'accuracy' :y_，y都是数值
	'categorical_accuracy' : y_,y都是独热码
	'sparse_categorical_accuracy': y_是数值 y是独热码
#执行训练过程
model.fit(训练集的输入特征, 训练集的标签
		,batch_szie = 
		,epochs = 
		,validation_split = 从训练集划分多少比例给测试集)
#打印网络的结构和参数统计
model.summary
#数据增强（增大数据量）
image_gen_train = tf.keras.preprocessing.image.ImageDataGenerator(
	rescale =
	rotation = 
	width_shift_range = 
	height_shift_range = )
image_gen_train.fit(x_train)

搭建网络Class

class MyModel(Model):
	def __init__(self):
		super(MyModel, self).__init__()
		定义网络结构块
	def call(self, x):
		实现前向传播
		return y

读取保存模型

#读取模型 load_weights(路径文件名)
checkpoint_save_path = './checkpoint/mnist.ckpt'
if os.path.exists(checkpoint_save_path + '.index'):
	model.load_weights(checkpoint_save_path)
#保存模型
cp_callback = tf.keras.callbacks.ModelCheckpoint(
	filepath = 路径文件名
	,save_weights_only = True/False
	,save_best_only = True/False)
history = model.fit(x_train, y_train
					,...
					,callbacks = [cp_callback])