tensorflow基础知识——（一）

数据处理常用函数

• 加载内置数据集，返回数据类型为numpy
  (train_images, train_label), (_, _) = tf.keras.datasets.mnist.load_data()

• 将原始数据转化为tf内置的数据集形式
  datasets = tf.data.Dataset.from_tensor_slices(train_images)

• 数据是否需要打乱，是否需要划分为batch

  • 可以选择打乱的程度
  • 是否每次迭代之后都需要打乱
  • batch的大小（之后每次迭代时，next自动取一个batch的数据）
  • 可以用 list(datasets.as_numpy_iterator)查看数据

  datasets = datasets.shuffle(buffer_size).batch(batch_size)

tf.keras.Sequential用法

• 快速的创建一个堆叠式的模型，模型中的每一层layer，可以用add来添加

• 如何add 一层， 以全链接层为例

  • 直接用model.add(tf,keras.layers.Dense(8)) 此时，只是创建了一层框架，还没有调用build函数来构建layer中的参数
  • 如果指定input_shape()，则会在add的时候就构建参数model.add(tf.keras.layers.Dense(8, input_shape(16,)))
  • 最开始增加一层input_layer 可以在add的时候构建参数model.add(tf.keras.input(16,))来指定(注意，input_shape都不应该包含batch_size, 且model创建参数也只是和shape的最后一个维度有关 )

loss定义

• corss_entropy: 表示预测模型和真实值差距的大小
• 注意点：
  • 输出的是batch 的平均loss 还是sum loss 【可以指定】
  • 默认预测的输出是概率，如果不是归一化的概率，则需要显式指定from_logits=false
• 常用于计算loss的
  • 参考链接：links

train 的基本框架

def train_step(image):
    # 接受一个批次的图片，做一次训练
    
    noise = tf.random.normal([batch_size, noise_dim])   # 生成batch_size个向量
    
    with tf.GradientTape() as gen_tape, tf.GradientTape() as disc_tage:
        real_out = discriminator(image, training=True)
        
        gen_image = generator(noise, training=True)
        fake_out = discriminator(gen_image, training=True)
        
        gen_loss = generator_loss(fake_out)
        disc_loss = discriminator_loss(real_out, fake_out)
        
    gradient_gen = gen_tape.gradient(gen_loss, generator.trainable_variables)
    gradient_disc = disc_tage.gradient(disc_loss, discriminator.trainable_variables)
    
    generator_opt.apply_gradients(zip(gradient_gen, generator.trainable_variables))
    discriminator_opt.apply_gradients(zip(gradient_disc, discriminator.trainable_variables))

def train(datasets, epochs):
    for epoch in range(epochs):
        for batch in datasets:
            train_step(batch)
            print(".",end="")
        generate_plot_image(generator, seed)
     ```