TensorFlow 2.0教程 | 一、初识TensorFlow

本讲目标:学会神经网络计算过程,使用基于TF2原生代码搭建你的第一个的神经网络训练模型

1.1 人工智能三学派

当今人工智能主流方向——连接主义

人工智能的定义:让机器具备人的思维和意识

人工智能三学派:

  • 行为主义:基于控制论,构建感知-动作控制系统。 (控制论,如平衡、行走、避障等自适应控制系统)
  • 符号主义:基于算数逻辑表达式,求解问题时先把问题描述为表达式,再求解表达式。(可用公 式描述、实现理性思维,如专家系统)
  • 连接主义:仿生学,模仿神经元连接关系。(仿脑神经元连接,实现感性思维,如神经网络)

基于连接主义的神经网络设计过程,即用计算机仿出神经网络连接关系,让计算机具备感性思维。

  • 准备数据:采集大量”特征标签”数据
  • 搭建网络:搭建神经网络结构
  • 优化参数:训练网络获取最佳参数(反向传播)
  • 应用网络:将网络保存为模型,输入新数据,输出分类或预测结果(前向传播)

1.2 神经网络设计过程

给鸢尾花(lris)分类

  • 0表示狗尾草鸢尾
  • 1表示杂色鸢尾
  • 2表示弗吉尼亚鸢尾

人们通过经验总结出了规律:通过测量花的花曹长、花尊宽、花瓣长、花瓣宽,可以得出鸢尾花的类别。(如:花萼长>花尊宽且花瓣长花瓣宽>2则为1杂色鸢尾)

if语句case语句,这样的即为专家系统,把专家的经验告知计算机,计算机执行逻辑判别(理性计算),给出分类。

而如果使用神经网络,可采集大量

  • 输入特征:花萼长、花夢宽、花瓣长、花瓣宽
  • 标签:对应的类别(需人工标定)

这样的数据对构成数据集。

把数据集限入搭建好的神经网络结构,网络优化参数得到模型,模型读入新输入特征,输出识别。

1)用神经网络实现鸢尾花分类

2)喂入数据

3)前向传播

代码示例

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
import tensorflow as tf

x1 = tf.constant([[5.8, 4.0, 1.2, 0.2]]) # 5.8,4.0,1.2,0.2(0)
w1 = tf.constant([[-0.8, -0.34, -1.4],
[0.6, 1.3, 0.25],
[0.5, 1.45, 0.9],
[0.65, 0.7, -1.2]])
b1 = tf.constant([2.52, -3.1, 5.62])
y = tf.matmul(x1, w1) + b1
print("x1.shape:", x1.shape)
print("w1.shape:", w1.shape)
print("b1.shape:", b1.shape)
print("y.shape:", y.shape)
print("y:", y)

#####以下代码可将输出结果y转化为概率值#####
y_dim = tf.squeeze(y) # 去掉y中纬度1(观察y_dim与 y 效果对比)
y_pro = tf.nn.softmax(y_dim) # 使y_dim符合概率分布,输出为概率值了
print("y_dim:", y_dim)
print("y_pro:", y_pro)

#请观察打印出的shape

运行结果

1
2
3
4
5
6
7
x1.shape: (1, 4)
w1.shape: (4, 3)
b1.shape: (3,)
y.shape: (1, 3)
y: tf.Tensor([[ 1.0099998 2.008 -0.6600003]], shape=(1, 3), dtype=float32)
y_dim: tf.Tensor([ 1.0099998 2.008 -0.6600003], shape=(3,), dtype=float32)
y_pro: tf.Tensor([0.2563381 0.69540703 0.04825489], shape=(3,), dtype=float32)

得出结果为1类

4)损失函数

损失函数(loss function) :预测值(y)与标准答案(y_ )的差距。

损失函数可以定量判断W、b的优劣,当损失函数输出最小时,参数w、b会出现最优值。

均方误差 $$ MSE (y, y_{-})=\frac{\sum_{k=0}^{n}(y-y_{-}) ^ 2}{n} $$

5)梯度下降

目的:想找到一组参数w和b,使得损失函数最小。

梯度:函数对各参数求偏导后的向量。函数梯度下降方向是函数减小方向。

梯度下降法:沿损失函数梯度下降的方向,寻找损失函数的最小值,得到最优参数的方法。 $$ w_{t+1}=w_{t}-lr * \frac{\partial l o s s}{\partial w_{t}} $$$$ b_{t+1}=b-l r * \frac{\partial l o s s}{\partial b_{t}} $$$$ w_{t+1} * x+b_{t+1} \rightarrow y $$ 学习率(learning rate, Ir) :当学习率设置的过小时,收敛过程将变得十分缓慢。而当学习率设置的过大时,梯度可能会在最小值附近来回震荡,甚至可能无法收敛。

6)反向传播

反向传播:从后向前,逐层求损失函数对每层神经元参数的偏导数,迭代更新所有参数。 $$ w_{t+1}=w_{t}-l r * \frac{\partial l o s s}{\partial w_{t}} $$ 例如损失函数为: $$ \operatorname{loss}=(w+1)^{2} $$ 求偏导 $$ \frac{\partial \operatorname{loss}}{\partial w}=2 w+2 $$ 参数w初始化为5,学习率为0.2则

次数 参数w 结果
1 5 5-0.2×(2×4+2)=2.6
2 2.6 2.6-0.2×(2×2.6+2)=1.16
3 1.16 1.16-0.2×(2×1.16+2)=0.296
4 0.296

求出w的最佳值,使得损失函数最小,代码示例:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 关闭log信息

import tensorflow as tf

w = tf.Variable(tf.constant(5, dtype=tf.float32))
lr = 0.2
epoch = 40

for i in range(epoch): # for epoch 定义顶层循环,表示对数据集循环epoch次,此例数据集数据仅有1个w,初始化时候constant赋值为5,循环40次迭代。
# 用with结构让损失函数loss对参数w求梯度
with tf.GradientTape() as tape: # with结构到grads框起了梯度的计算过程。
loss = tf.square(w + 1)
grads = tape.gradient(loss, w) # .gradient函数告知谁对谁求导,此处为loss函数对w求偏导

w.assign_sub(lr * grads) # .assign_sub 对变量做自减 即:w -= lr*grads 即 w = w - lr*grads
print("After %s epoch,w is %f,loss is %f" % (i, w.numpy(), loss))

# lr初始值:0.2 请自改学习率 0.001 0.999 看收敛过程
# 最终目的:找到 loss 最小 即 w = -1 的最优参数w

运行结果

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
After 0 epoch,w is 2.600000,loss is 36.000000
After 1 epoch,w is 1.160000,loss is 12.959999
After 2 epoch,w is 0.296000,loss is 4.665599
After 3 epoch,w is -0.222400,loss is 1.679616
After 4 epoch,w is -0.533440,loss is 0.604662
After 5 epoch,w is -0.720064,loss is 0.217678
After 6 epoch,w is -0.832038,loss is 0.078364
After 7 epoch,w is -0.899223,loss is 0.028211
After 8 epoch,w is -0.939534,loss is 0.010156
After 9 epoch,w is -0.963720,loss is 0.003656
After 10 epoch,w is -0.978232,loss is 0.001316
After 11 epoch,w is -0.986939,loss is 0.000474
After 12 epoch,w is -0.992164,loss is 0.000171
After 13 epoch,w is -0.995298,loss is 0.000061
After 14 epoch,w is -0.997179,loss is 0.000022
After 15 epoch,w is -0.998307,loss is 0.000008
After 16 epoch,w is -0.998984,loss is 0.000003
After 17 epoch,w is -0.999391,loss is 0.000001
After 18 epoch,w is -0.999634,loss is 0.000000
After 19 epoch,w is -0.999781,loss is 0.000000
After 20 epoch,w is -0.999868,loss is 0.000000
After 21 epoch,w is -0.999921,loss is 0.000000
After 22 epoch,w is -0.999953,loss is 0.000000
After 23 epoch,w is -0.999972,loss is 0.000000
After 24 epoch,w is -0.999983,loss is 0.000000
After 25 epoch,w is -0.999990,loss is 0.000000
After 26 epoch,w is -0.999994,loss is 0.000000
After 27 epoch,w is -0.999996,loss is 0.000000
After 28 epoch,w is -0.999998,loss is 0.000000
After 29 epoch,w is -0.999999,loss is 0.000000
After 30 epoch,w is -0.999999,loss is 0.000000
After 31 epoch,w is -1.000000,loss is 0.000000
After 32 epoch,w is -1.000000,loss is 0.000000
After 33 epoch,w is -1.000000,loss is 0.000000
After 34 epoch,w is -1.000000,loss is 0.000000
After 35 epoch,w is -1.000000,loss is 0.000000
After 36 epoch,w is -1.000000,loss is 0.000000
After 37 epoch,w is -1.000000,loss is 0.000000
After 38 epoch,w is -1.000000,loss is 0.000000
After 39 epoch,w is -1.000000,loss is 0.000000

1.3 张量生成

张量(Tensor) :多维数组(列表)

阶:张量的维数

维数 名字 例子
0-D 0 标量 scalar s=1 2 3
1-D 1 向量 vector v=[1, 2, 3]
2-D 2 矩阵 matrix m=[[1,2,3],[4,5,6][7,8,9]]
N-D N 张量 tensor t=[[[ 有几个中括号就是几阶张量

张量可以表示0阶到n阶数组(列表)

1)数据类型

  • tf.int, tf.float
    • tf.int 32,tf.float 32, tf.float 64
  • tf.bool
    • tf.constant([True, False])
  • tf.string
    • tf.constant(“Hello, world!”)

2)如何创建一个Tensor

创建一个张量

1
tf.constant(张量内容, dtype=数据类型(可选))

代码示例

1
2
3
4
5
6
7
8
9
10
11
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 关闭log信息

import tensorflow as tf

a = tf.constant([1, 5], dtype=tf.int64)
print("a:", a)
print("a.dtype:", a.dtype)
print("a.shape:", a.shape)

# 本机默认 tf.int32 可去掉dtype试一下 查看默认值

运行结果

1
2
3
a: tf.Tensor([1 5], shape=(2,), dtype=int32)
a.dtype: <dtype: 'int32'>
a.shape: (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(可选))

代码示例

1
2
3
4
5
6
7
8
9
10
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 关闭log信息

import tensorflow as tf
import numpy as np

a = np.arange(0, 5)
b = tf.convert_to_tensor(a, dtype=tf.int64)
print("a:", a)
print("b:", b)

运行结果

1
2
a: [0 1 2 3 4]
b: tf.Tensor([0 1 2 3 4], shape=(5,), dtype=int64)

创建全为0的张量

  • tf. zeros(维度)
    创建全为1的张量

  • tf. ones(维度)
    创建全为指定值的张量

  • tf. fill(维度,指定值)

维度:

  • 一维直接写个数
  • 二维用[行,列]
  • 多维用[n,m,.K…]

代码示例:

1
2
3
4
5
6
7
8
9
10
11
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 关闭log信息

import tensorflow as tf

a = tf.zeros([2, 3])
b = tf.ones(4)
c = tf.fill([2, 2], 9)
print("a:", a)
print("b:", b)
print("c:", c)

运行结果

1
2
3
4
5
6
7
a: tf.Tensor(
[[0. 0. 0.]
[0. 0. 0.]], shape=(2, 3), dtype=float32)
b: tf.Tensor([1. 1. 1. 1.], shape=(4,), dtype=float32)
c: tf.Tensor(
[[9 9]
[9 9]], shape=(2, 2), dtype=int32)

生成正态分布的随机数,默认均值为0,标准差为1

1
tf. random.normal (维度,mean=均值,stddev=标准差)

生成截断式正态分布的随机数

1
tf. random.truncated_normal (维度,mean=均值,stddev=标准差)

在tf.truncated_normal中如果随机生成数据的取值在(μ-2σ, μ+2σ) 之外,则重新进行生成,保证了生成值在均值附近。(μ:均值,σ:标准差)

1
2
3
4
5
6
7
8
9
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 关闭log信息

import tensorflow as tf

d = tf.random.normal([2, 2], mean=0.5, stddev=1)
print("d:", d)
e = tf.random.truncated_normal([2, 2], mean=0.5, stddev=1)
print("e:", e)

运行结果

1
2
3
4
5
6
d: tf.Tensor(
[[0.21293578 1.3744814 ]
[0.57955813 0.21024475]], shape=(2, 2), dtype=float32)
e: tf.Tensor(
[[ 1.0601948 -0.290159 ]
[ 1.4136508 1.1021997]], shape=(2, 2), dtype=float32)

生成均匀分布随机数( minval, maxval ) tf. random. uniform(维度,minval=最小值,maxval=最大值)

代码示例

1
2
3
4
5
6
7
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 关闭log信息

import tensorflow as tf

f = tf.random.uniform([2, 2], minval=0, maxval=1)
print("f:", f)

运行结果

1
2
3
f: tf.Tensor(
[[0.8941778 0.1506716 ]
[0.61614406 0.6378647 ]], shape=(2, 2), dtype=float32)

1.4 TF2常用函数

1)数据转换与求最值

  • 强制tensor转换为该数据类型
    • tf.cast (张量名,dtype=数据类型)
  • 将tensor转换为numpy
    • tensor.numpy()
  • 计算张量维度上元素的最小值
    • tf.reduce_min (张量名)
  • 计算张量维度上元素的最大值
    • tf.reduce_max(张量名)

代码示例:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 关闭log信息

import tensorflow as tf

x1 = tf.constant([1., 2., 3.], dtype=tf.float64)
print("x1:", x1)
x2 = tf.cast(x1, tf.int32)
print("x2:", x2)
print("minimum of x2:", tf.reduce_min(x2))
print("maxmum of x2:", tf.reduce_max(x2))

a = tf.constant(5, dtype=tf.int64)
print("tensor a:", a)
print("numpy a:", a.numpy())

运行结果:

1
2
3
4
5
6
x1: tf.Tensor([1. 2. 3.], shape=(3,), dtype=float64)
x2: tf.Tensor([1 2 3], shape=(3,), dtype=int32)
minimum of x2: tf.Tensor(1, shape=(), dtype=int32)
maxmum of x2: tf.Tensor(3, shape=(), dtype=int32)
tensor a: tf.Tensor(5, shape=(), dtype=int64)
numpy a: 5

2)理解axis

在一个二维张量或数组中,可以通过调整axis等于0或1控制执行维度。

axis=0代表跨行(经度,down),而axis=1代表跨列(纬度,across)

如果不指定axis,则所有元素参与计算。

计算张量沿着指定维度的平均值

  • tf.reduce_mean (张量名,axis=操作轴)

计算张量沿着指定维度的和

  • tf.reduce_sum (张量名,axis=操作轴)

代码示例

1
2
3
4
5
6
7
8
9
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 关闭log信息

import tensorflow as tf

x = tf.constant([[1, 2, 3], [2, 2, 3]])
print("x:", x)
print("mean of x:", tf.reduce_mean(x)) # 求x中所有数的均值
print("sum of x:", tf.reduce_sum(x, axis=1)) # 求每一行的和

运行结果

1
2
3
4
5
x: tf.Tensor(
[[1 2 3]
[2 2 3]], shape=(2, 3), dtype=int32)
mean of x: tf.Tensor(2, shape=(), dtype=int32)
sum of x: tf.Tensor([6 7], shape=(2,), dtype=int32)

3)变量tf.Variable

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,常用该函数标记待训练参数。

tf.Variable(初始值)

定义变量

1
w = tf.Variable(tf.random.norma([2, 2], mean=0, stddev=1))

4)TensorFlow中的数学运算

对应元素的四则运算: tf.add, tf.subtract, tf.multiply, tf.divide

平方、次方与开方: tf.square, tf.pow, tf.sqrt

矩阵乘: tf.matmul

对应元素的四则运算

实现两个张量的对应元素相加

  • tf.add (张量1,张量2)

实现两个张量的对应元素相减

  • tf.subtract (张量1,张量2)

实现两个张量的对应元素相乘

  • tf.multiply (张量1,张量2)

实现两个张量的对应元素相除

  • tf.divide (张量1,张量2)

注意:只有维度相同的张量才可以做四则运算

代码示例:

1
2
3
4
5
6
7
8
9
10
11
12
13
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 关闭log信息

import tensorflow as tf

a = tf.ones([1, 3])
b = tf.fill([1, 3], 3.)
print("a:", a)
print("b:", b)
print("a+b:", tf.add(a, b))
print("a-b:", tf.subtract(a, b))
print("a*b:", tf.multiply(a, b))
print("b/a:", tf.divide(b, a))

运行结果

1
2
3
4
5
6
a: tf.Tensor([[1. 1. 1.]], shape=(1, 3), dtype=float32)
b: tf.Tensor([[3. 3. 3.]], shape=(1, 3), dtype=float32)
a+b: tf.Tensor([[4. 4. 4.]], shape=(1, 3), dtype=float32)
a-b: tf.Tensor([[-2. -2. -2.]], shape=(1, 3), dtype=float32)
a*b: tf.Tensor([[3. 3. 3.]], shape=(1, 3), dtype=float32)
b/a: tf.Tensor([[3. 3. 3.]], shape=(1, 3), dtype=float32)
平方、次方与开方

计算某个张量的平方

  • tf.square (张量名)

计算某个张量的n次方

  • tf.pow (张量名,n次方数)

计算某个张量的开方

  • tf.sqrt (张量名)

代码示例:

1
2
3
4
5
6
7
8
9
10
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 关闭log信息

import tensorflow as tf

a = tf.fill([1, 2], 3.)
print("a:", a)
print("a的次方:", tf.pow(a, 3))
print("a的平方:", tf.square(a))
print("a的开方:", tf.sqrt(a))

运行结果:

1
2
3
4
a: tf.Tensor([[3. 3.]], shape=(1, 2), dtype=float32)
a的次方: tf.Tensor([[27. 27.]], shape=(1, 2), dtype=float32)
a的平方: tf.Tensor([[9. 9.]], shape=(1, 2), dtype=float32)
a的开方: tf.Tensor([[1.7320508 1.7320508]], shape=(1, 2), dtype=float32)
矩阵乘

实现两个矩阵的相乘

1
tf.matmul(矩阵1,矩阵2)

代码示例:

1
2
3
4
5
6
7
8
9
10
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 关闭log信息

import tensorflow as tf

a = tf.ones([3, 2])
b = tf.fill([2, 3], 3.)
print("a:", a)
print("b:", b)
print("a*b:", tf.matmul(a, b))

运行结果:

1
2
3
4
5
6
7
8
9
10
11
a: tf.Tensor(
[[1. 1.]
[1. 1.]
[1. 1.]], shape=(3, 2), dtype=float32)
b: tf.Tensor(
[[3. 3. 3.]
[3. 3. 3.]], shape=(2, 3), dtype=float32)
a*b: tf.Tensor(
[[6. 6. 6.]
[6. 6. 6.]
[6. 6. 6.]], shape=(3, 3), dtype=float32)

5)传入特征与标签

切分传入张量的第一维度, 生成输入特征标签对,构建数据集

1
2
data = tf.data.Dataset.from_tensor_ slices((输入特征,标签))
(Numpy和Tensor格式都可用该语句读入数据)

代码示例:

1
2
3
4
5
6
7
8
9
10
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 关闭log信息

import tensorflow as tf

features = tf.constant([12, 23, 10, 17])
labels = tf.constant([0, 1, 1, 0])
dataset = tf.data.Dataset.from_tensor_slices((features, labels))
for element in dataset:
print(element)

运行结果

1
2
3
4
(<tf.Tensor: shape=(), dtype=int32, numpy=12>, <tf.Tensor: shape=(), dtype=int32, numpy=0>)
(<tf.Tensor: shape=(), dtype=int32, numpy=23>, <tf.Tensor: shape=(), dtype=int32, numpy=1>)
(<tf.Tensor: shape=(), dtype=int32, numpy=10>, <tf.Tensor: shape=(), dtype=int32, numpy=1>)
(<tf.Tensor: shape=(), dtype=int32, numpy=17>, <tf.Tensor: shape=(), dtype=int32, numpy=0>)

6)函数对指定参数求导gradient

with结构记录计算过程,gradient求 出张量的梯度

1
2
3
with tf.GradientTape() as tape:
若千个计算过程
grad=tape.gradient(函数,对谁求导)

代码示例,对函数x2x^2求x的导数 $$ \frac{\partial w^{2}}{\partial w}=2 w=2^{*} 3.0=6.0 $$

1
2
3
4
5
6
7
8
9
10
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 关闭log信息

import tensorflow as tf

with tf.GradientTape() as tape:
x = tf.Variable(tf.constant(3.0))
y = tf.pow(x, 2)
grad = tape.gradient(y, x)
print(grad)

运行结果

1
tf.Tensor(6.0, shape=(), dtype=float32)

7)枚举元素enumerate

enumerate是python的内建函数,它可遍历每个元素(如列表、元组或字符串),

组合为:索引元素,常在for循环中使用。

1
enumerate(列表名)

代码示例:

1
2
3
seq = ['one', 'two', 'three']
for i, element in enumerate(seq):
print(i, element)

运行结果:

1
2
3
0 one
1 two
2 three

8)独热编码

独热编码(Cone-hot encoding) :在分类问题中,常用独热码做标签,标记类别: 1表示是,0表示非。

标签为1,独热编码为

0狗尾草鸢尾 1杂色鸢尾 2弗吉尼亚鸢尾
0 1 0

tf.one_ hot()函数将待转换数据,转换为one-hot形式的数据输出。

1
tf.one_ hot (待转换数据,depth=几分类)

代码示例:

1
2
3
4
5
6
7
8
9
10
11
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 关闭log信息


import tensorflow as tf

classes = 3
labels = tf.constant([1, 0, 2]) # 输入的元素值最小为0,最大为2
output = tf.one_hot(labels, depth=classes)
print("result of labels1:", output)
print("\n")

运行结果

1
2
3
4
result of labels1: tf.Tensor(
[[0. 1. 0.]
[1. 0. 0.]
[0. 0. 1.]], shape=(3, 3), dtype=float32)

9)输出符合概率分布(归一化)

tf.nn.softmax(x)把一个N*1的向量归一化为(0,1)之间的值,由于其中采用指数运算,使得向量中数值较大的量特征更加明显。 $$softmax (y_i) = \frac{e ^ {y_i}}{\sum_{j=0} ^ n e ^ {y_i}}$$

tf.nn.softmax(x)使输出符合概率分布

当n分类的n个输出(yo, y1… yn_1)通过softmax( )函数,便符合概率分布,所有的值和为1。 $$ \forall x P(X=x) \in[0,1] \text { 且 } \sum_{x} P(X=x)=1 $$

1
2
3
4
5
6
7
8
9
10
11
12
13
代码示例:

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 关闭log信息

import tensorflow as tf

y = tf.constant([1.01, 2.01, -0.66])
y_pro = tf.nn.softmax(y)

print("After softmax, y_pro is:", y_pro) # y_pro 符合概率分布

print("The sum of y_pro:", tf.reduce_sum(y_pro)) # 通过softmax后,所有概率加起来和为1

运行结果:

1
2
After softmax, y_pro is: tf.Tensor([0.25598174 0.69583046 0.0481878 ], shape=(3,), dtype=float32)
The sum of y_pro: tf.Tensor(1.0, shape=(), dtype=float32)

10)参数自更新

赋值操作,更新参数的值并返回。

调用assign_ sub前,先用tf.Variable定义变量w为可训练(可自更新)。

w.assign_ sub (w要自减的内容)

代码示例:

1
2
3
4
5
6
7
8
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 关闭log信息

import tensorflow as tf

x = tf.Variable(4)
x.assign_sub(1)
print("x:", x) # 4-1=3

运行结果

1
x: <tf.Variable 'Variable:0' shape=() dtype=int32, numpy=3>

11)指定维度最大值索引

返回张量沿指定维度最大值的索引

1
tf.argmax (张量名,axis=操作轴)

代码示例:

1
2
3
4
5
6
7
8
9
10
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 关闭log信息

import numpy as np
import tensorflow as tf

test = np.array([[1, 2, 3], [2, 3, 4], [5, 4, 3], [8, 7, 2]])
print("test:\n", test)
print("每一列的最大值的索引:", tf.argmax(test, axis=0)) # 返回每一列最大值的索引
print("每一行的最大值的索引", tf.argmax(test, axis=1)) # 返回每一行最大值的索引

运行结果:

1
2
3
4
5
6
7
test:
[[1 2 3]
[2 3 4]
[5 4 3]
[8 7 2]]
每一列的最大值的索引: tf.Tensor([3 3 1], shape=(3,), dtype=int64)
每一行的最大值的索引 tf.Tensor([2 2 0 0], shape=(4,), dtype=int64)

1.5 鸢尾花数据集读入

数据集介绍

共有数据150组,每组包括花尊长、花尊宽、花瓣长、花瓣宽4个输入特征。同时给出了,这组特征对应的鸢尾花 类别。类别包括Setosa Iris (狗尾草鸢尾),Versicolour lris (杂色鸢尾),Virginica Iris (弗吉尼亚鸢尾)三类,分别用数字0,1,2表示。

读取数据集代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
from sklearn import datasets
from pandas import DataFrame
import pandas as pd

x_data = datasets.load_iris().data # .data返回iris数据集所有输入特征
y_data = datasets.load_iris().target # .target返回iris数据集所有标签
print("x_data from datasets: \n", x_data)
print("y_data from datasets: \n", y_data)

x_data = DataFrame(x_data, columns=['花萼长度', '花萼宽度', '花瓣长度', '花瓣宽度']) # 为表格增加行索引(左侧)和列标签(上方)
pd.set_option('display.unicode.east_asian_width', True) # 设置列名对齐
print("x_data add index: \n", x_data)

x_data['类别'] = y_data # 新加一列,列标签为‘类别’,数据为y_data
print("x_data add a column: \n", x_data)

#类型维度不确定时,建议用print函数打印出来确认效果

1.6神经网络实现鸢尾花分类

  1. 准备数据
    • 数据集读入
    • 数据集乱序
    • 生成训练集和测试集(即x_ train/y train, x_ test/y_ test)
    • 配成(输入特征,标签)对,每次读入一小撮(batch)
  2. 搭建网络
    • 定义神经网路中所有可训练参数
  3. 参数优化
    • 嵌套循环迭代,with结构更新参数,显示当前loss
  4. 测试效果
    • 计算当前参数前向传播后的准确率,显示当前acc
  5. acc / loss可视化

代码示例:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
# -*- coding: UTF-8 -*-
# 利用鸢尾花数据集,实现前向传播、反向传播,可视化loss曲线
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 关闭log信息

# 导入所需模块
import tensorflow as tf
from sklearn import datasets
from matplotlib import pyplot as plt
import numpy as np

# 导入数据,分别为输入特征和标签
x_data = datasets.load_iris().data
y_data = datasets.load_iris().target

# 随机打乱数据(因为原始数据是顺序的,顺序不打乱会影响准确率)
# seed: 随机数种子,是一个整数,当设置之后,每次生成的随机数都一样(为方便教学,以保每位同学结果一致)
np.random.seed(116) # 使用相同的seed,保证输入特征和标签一一对应
np.random.shuffle(x_data)
np.random.seed(116)
np.random.shuffle(y_data)
tf.random.set_seed(116)

# 将打乱后的数据集分割为训练集和测试集,训练集为前120行,测试集为后30行
x_train = x_data[:-30]
y_train = y_data[:-30]
x_test = x_data[-30:]
y_test = y_data[-30:]

# 转换x的数据类型,否则后面矩阵相乘时会因数据类型不一致报错
x_train = tf.cast(x_train, tf.float32)
x_test = tf.cast(x_test, tf.float32)

# from_tensor_slices函数使输入特征和标签值一一对应。(把数据集分批次,每个批次batch组数据)
train_db = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32)
test_db = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)

# 生成神经网络的参数,4个输入特征故,输入层为4个输入节点;因为3分类,故输出层为3个神经元
# 用tf.Variable()标记参数可训练
# 使用seed使每次生成的随机数相同(方便教学,使大家结果都一致,在现实使用时不写seed)
w1 = tf.Variable(tf.random.truncated_normal([4, 3], stddev=0.1, seed=1))
b1 = tf.Variable(tf.random.truncated_normal([3], stddev=0.1, seed=1))

lr = 0.1 # 学习率为0.1
train_loss_results = [] # 将每轮的loss记录在此列表中,为后续画loss曲线提供数据
test_acc = [] # 将每轮的acc记录在此列表中,为后续画acc曲线提供数据
epoch = 500 # 循环500轮
loss_all = 0 # 每轮分4个step,loss_all记录四个step生成的4个loss的和

# 训练部分
for epoch in range(epoch): #数据集级别的循环,每个epoch循环一次数据集
for step, (x_train, y_train) in enumerate(train_db):
#batch级别的循环 ,每个step循环一个batch
with tf.GradientTape() as tape: # with结构记录梯度信息
y = tf.matmul(x_train, w1) + b1 # 神经网络乘加运算
y = tf.nn.softmax(y)
# 使输出y符合概率分布(此操作后与独热码同量级,可相减求loss)
y_ = tf.one_hot(y_train, depth=3)
# 将标签值转换为独热码格式,方便计算loss和accuracy
loss = tf.reduce_mean(tf.square(y_ - y))
# 采用均方误差损失函数mse = mean(sum(y_ - y)^2)
loss_all += loss.numpy()
# 将每个step计算出的loss累加,为后续求loss平均值提供数据,这样计算的loss更准确
# 计算loss对各个参数的梯度
grads = tape.gradient(loss, [w1, b1])

# 实现梯度更新 w1 = w1 - lr * w1_grad b = b - lr * b_grad
w1.assign_sub(lr * grads[0]) # 参数w1自更新
b1.assign_sub(lr * grads[1]) # 参数b自更新

# 每个epoch,打印loss信息
print("Epoch {}, loss: {}".format(epoch, loss_all/4))
train_loss_results.append(loss_all / 4) # 将4个step的loss求平均记录在此变量中
loss_all = 0 # loss_all归零,为记录下一个epoch的loss做准备

# 测试部分
# total_correct为预测对的样本个数, total_number为测试的总样本数,将这两个变量都初始化为0
total_correct, total_number = 0, 0
for x_test, y_test in test_db:
# 使用更新后的参数进行预测
y = tf.matmul(x_test, w1) + b1
y = tf.nn.softmax(y)
pred = tf.argmax(y, axis=1) # 返回y中最大值的索引,即预测的分类
# 将pred转换为y_test的数据类型
pred = tf.cast(pred, dtype=y_test.dtype)
# 若分类正确,则correct=1,否则为0,将bool型的结果转换为int型
correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)
# 将每个batch的correct数加起来
correct = tf.reduce_sum(correct)
# 将所有batch中的correct数加起来
total_correct += int(correct)
# total_number为测试的总样本数,也就是x_test的行数,shape[0]返回变量的行数
total_number += x_test.shape[0]
# 总的准确率等于total_correct/total_number
acc = total_correct / total_number
test_acc.append(acc)
print("Test_acc:", acc)
print("--------------------------")

# 绘制 loss 曲线
plt.title('Loss Function Curve') # 图片标题
plt.xlabel('Epoch') # x轴变量名称
plt.ylabel('Loss') # y轴变量名称
plt.plot(train_loss_results, label="$Loss$") # 逐点画出trian_loss_results值并连线,连线图标是Loss
plt.legend() # 画出曲线图标
plt.show() # 画出图像

# 绘制 Accuracy 曲线
plt.title('Acc Curve') # 图片标题
plt.xlabel('Epoch') # x轴变量名称
plt.yls abel('Ac sc') # y轴变量名称
plt.plot(test_acc, label="$Accuracy$") # 逐点画出test_acc值并连线,连线图标是Accuracy
plt.legend()
plt.show()
分享到