学习tensorflow2 之1 北京大学曹健笔记

zjcnzcl

已于 2024-03-10 22:08:06 修改

阅读量542

点赞数 6

分类专栏： tensorflow 文章标签： tensorflow2

于 2024-02-12 15:02:52 首次发布

本文链接：https://blog.csdn.net/zjcnzcl/article/details/136101302

版权

tensorflow 专栏收录该内容

2 篇文章 0 订阅

订阅专栏

通道顺序与pytorch不一致； [batch,height,width,channel]

0、numpy的属性

xx.ndim xx.shape xx.dtype

np.expand_dims(resize(mask_, (IMG_HEIGHT, IMG_WIDTH), mode='constant', preserve_range=True), axis=-1) #增加最后一维度

1、创建张量tensor

1.1 constant生成

tf.constant(张量内容,dtype=数据类型(可选))

1.2、numpy转Tensor

tf.convert_to_tensor(数据名,dtype=数据类型(可选))

1.3、创建全0、1及指定值的张量

tf.zeros(维度) tf.zeros([2,3])

tf.ones(维度)

tf.fill(维度,指定值)

1.4 生成随机数

正态分布 tf.random.normal(维度,mean=均值,stddev=标准差)

2、常用函数

强制转换数据类型

tf.cast(张量名,dtype=数据类型)

维度上的最大值、最小值、平均值、和

tf.reduce_min(张量名) 维度上的最大值

tf.reduce_max(张量名) 维度上的最大值

axis操作维度方向

tf.reduce_mean(张量名,axis=操作轴)

tf.reduce_sum(张量名,axis=操作轴)

将变量标记为’可训练’ ，标记待训练的参数

tf.Variable()

数学运算函数

加减乘除：tf.add(张量1,张量2) tf.subtract tf.multiply tf.divide

平方、次方、开方：tf.square tf.pow(张量名,n次方) tf.sqrt

矩阵乘：tf.matmul

生成输入特征/标签对 tf.data.Dataset.from_tensor_sliceswith tf.GradientTape() as tape:

data = tf.data.Dataset.from_tensor_slices((输入特征,标签))

tf.GradientTape() 实现某个函数对指定参数的求导运算

with结构记录计算过程，gradient求出张量的梯度

with tf.GradientTape() as tape:

若干个计算过程

grads = tape.gradient(函数loss, 对谁求导w)

one-hot encoding

tf.one_hot(待转换数据,depth=几分类)

tf.nn.softmax使输出符合概率分布

softmax(yi)= $e^{^{yi}}$ /

assign_sub w参数更新

assign_sub(需要自减的内容) 减去更换参数的值并返回

tf.argmax返回张量沿指定维度最大值索引

tf.argmax(张量名,axis=操作轴)

训练参数不像pytorch样可跟踪的，需用with tf.GradientTape() as tape:

with tf.GradientTape() as tape:
    predictions = model(images)
    loss = loss_object(labels, predictions)
gradients = tape.gradient(loss, model.trainable_variables)
optimizer.apply_gradients(zip(gradients, model.trainable_variables))

二、tensorflow.keras 里常用的模块有

layers:包含Dense, Conv2D,Flatten,Dropout,MaxPool2D,BatchNormalization, Activation,

optimizers:Adam,

models:Sequential,

datasets:mnist,fashion_mnist,

卷积就是特征提取器：CBAPD

C: Conv2D(filters,kernel_size,padding)

B:BatchNormalization() 批标准化

A:Activation 激活

P：MaxPool2D

D:Dropout(概率值)

keras数据集下载的地方：C:\Users\zjcnzcl\.keras

plot_imgs = np.hstack(imgs)   #水平方向拼接

#plt.imshow(plot_imgs,cmap='gray')  matplotlib还要学习下

三、tf.keras搭建六步法：

1.import 2.train和test

3.顺序结构：model=tf.keras.models.Sequential([网络层结构]) 前向传播

model = models.models.Sequential()

model.add()的形式

实例化形式：

class MyModel(Model)

model= MyModel

class MyModel(Model):

def __init__(self):
super(MyModel, self).__init__()

#定义网络结构块

def call(self, x):

#调用网络结构块，实现前向传播
return y
model = MyModel() #实例化

3、或非顺序结构 函数式API

model = models.Model(inputs= input_tensor, outputs = output_tensor)

4.model.compile(optimizer=优化器,loss=损失函数,metrics=['准确率']) 优化器、损失函数、评测指标

损失函数（目标函数）：选择损失函数，训练过程中将其最小化；

二分类：二元交叉熵 binary crossentropy

多分类：分类交叉熵 categorical crossentropy

回归：均方误差 mean-squared error

优化器：基于损失函数，如何对网络更新；

metrics 评价指标；给人客观的数据分析；

5.model.fit 执行训练过程，输入训练集和测试集的输入特征和标签，batch.epoch

6.model.summary 打印网络结构和参数统计

3model=tf.keras.models.Sequential([网络层结构])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=哪种正则化)

activation可选: relu softmax sigmoid tanh

kernel_regularizer可选：tf.keras.regularizers.l1() tf.keras.regularizers.l2() l1和l2正则化；

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)

4.model.compile(optimizer=优化器,loss=损失函数,metrics=['准确率'])

optimizer:字符串形式或函数形式：sgd adagrad adam adadelta

用函数形式还可以设置参数

loss可选：字符串或函数形式：mse

tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False)

metrics(度量指标:准确度等):

‘accuracy':y_和y都是数值，如y_=[1] y=[1]

‘categorical_accuracy':y_和y都是独热码(概率分布)，如y_=[0,1,0] y=[0.256,0.695.0.048']

‘sparse_categorical_accuracy’: y_是数值，y是独热码(概率分布)

标签转换成one-hot形式：train_labels = to_categorical(train_labels)

5model.fit(训练集的输入特征，训练集的标签,batch_size=,epochs=validation data=(测试集的输入特征，测试集的标签):validation_split=从训练集划分多少比例给测试集,validation freq=多少次epoch测试一次，callbacks=[cp_callback])

cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,
                                                 save_weights_only=True,
                                                 save_best_only=True)

6、model.summary() 打印网络结构及参数

自制数据集：解决本领域应用

数据增强：扩充数据集

断点续训：存取模型

参数提取：把参数存入文本

acc/loss可视化：查看训练效果

利用已经有的数据集下载的效果：