人工智能实践：Tensorflow笔记（1）——神经网络计算
文章目录
- 1、人工智能三学派
- 2、神经网络设计过程
- 3、张量生成
- 4、TF2常用函数
- 5、鸢尾花数据集读入
- 6、神经网络实现鸢尾花分类
1、人工智能三学派
人工智能：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）
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（反传）
- 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（前传）
2、神经网络设计过程
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：
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。
学习率（learning rate，lr）：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。
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。
3、张量生成
张量（Tensor）：多维数组、多维列表
阶：张量的维数
| 维数 | 阶 | 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=[[[（n个） |
张量可以表示0阶到n阶数组（列表）
数据类型：
- tf.int，tf.float…
tf.int32，tf.float32，tf.float64 - tf.bool
tf.constant([True，False]) - tf.string
tf.constant(“Hello,world!”)
如何创建一个Tensor
- 创建一个张量
tf.constant(张量内容,dtype=数据类型(可选))
import tensorflow as tf
a=tf.constant([1,5],dtype=tf.int64) #创建一个一阶张量，包含1、5两个元素，指定数据类型为64位整型
print(a)
print(a.dtype)
print(a.shape) #张量的形状，看shape的逗号隔开了几个数字，隔开了几个数字这个张量就是几维的运行结果
- 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))
import tensorflow as tf
import numpy as np
a=np.arange(0,5)
b=tf.convert_to_tensor(a,dtype=tf.int64)
print(a)
print(b)运行结果
- 创建全为0的张量
tf.zeros(维度)
维度：
一维 直接写个数
二维 用[行,列]
多维 用[n,m,j,k…] - 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)
import tensorflow as tf
a = tf.zeros([2,3])
b = tf.ones(4)
c = tf.fill([2,2],9)
print(a)
print(b)
print(c)
运行结果 ：
-
生成正态分布的随机数，默认值均值为0，标准差为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
tf.random.truncated_normal(维度,mean=均值,stddev=标准差)
在tf.random.truncated_normal中，如果随机生成数据的取值在
之外，则重新进行生成，保证了生成值在均值附近。
标准差计算公式：
import tensorflow as tf
d = tf.random.normal([2,2],mean=0.5,stddev=1)
print(d)
e = tf.random.truncated_normal([2,2],mean=0.5,stddev=1)
print(e)运行结果：
生成均匀分布随机数 [ minval=最小值，maxval=最大值 ]
tf.random.uniform(维度,minval=最小值,maxval=最大值)
f = tf.random.uniform([2,2],minval=0,maxval=1)
print(f)运行结果：
4、TF2常用函数
- 强制tensor转换为该数据类型
tf.cast(张量名,dtype=数据类型)- 计算张量维度上元素的最小值
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)import tensorflow as tf
x1 = tf.constant([1.,2.,3.],dtype=tf.float64)
print(x1)
x2 = tf.cast(x1,tf.int32)
print(x2)
print(tf.reduce_min(x2),tf.reduce_max(x2))运行结果：
- 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)import tensorflow as tf
x = tf.constant([[1,2,3],[2,2,3]])
print(x)
print(tf.reduce_mean(x))
print(tf.reduce_sum(x,axis=1))运行结果：
tf.Variable()将变量标记为“可训练”的，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)
w = tf.Variable(tf.random.normal([2,2],mean=0,stddev=1)
- 对应元素的四则运算：tf.add，tf.substract，tf.multiply，tf.divide
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.substract(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)import tensorflow as tf
a = tf.ones([1,3])
b = tf.fill([1,3],3.)
print(a)
print(b)
print(tf.add(a,b))
print(tf.subtract(a,b))
print(tf.multiply(a,b))
print(tf.divide(b,a))
只有维度相同的张量才可以做四则运算
- 平方、次方与开方：tf.square，tf.pow，tf.sqrt
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)import tensorflow as tf
a = tf.fill([1,2],3.)
print(a)
print(tf.pow(a,3))
print(tf.square(a))
print(tf.sqrt(a))
- 矩阵乘：tf.matmul
实现两个矩阵的相乘
tf.matmul(矩阵1，矩阵2)import tensorflow as tf
a = tf.ones([3,2])
b = tf.fill([2,3],3.)
print(tf.matmul(a,b))
- 切入传入张量的第一维度，生成输入特征/标签对，构建数据集
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）
import tensorflow as tf
features = tf.constant([12,23,20,27])
labels = tf.constant([0,1,1,0])
dataset = tf.data.Dataset.from_tensor_slices((features,labels))
print(dataset)
for element in dataset:
print(element)
- 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
grad = tape.gradient（函数，对谁求导）
import tensorflow as tf
with tf.GradientTape() as tape:
w = tf.Variable(tf.constant(3.0))
loss = tf.pow(w,2)
grad = tape.gradient(loss,w)
print(grad)运行结果：
- 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。
enumerate(列表名)seq = ['one','two','three']
for i,element in enumerate(seq):
print(i,element)运行结果：
- 独热编码（one-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。
（0狗尾草鸢尾 1杂色鸢尾 2弗吉尼亚鸢尾）
标签： 1
独热码： （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。
tf.one_hot(待转换数据,depth=几分类)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(output)运行结果：
- tf.nn.softmax(x) 使输出符合概率分布
当n分类的n个输出
通过softmax()函数，便符合概率分布了
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)
- assign_sub
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)import tensorflow as tf
w = tf.Variable(4)
w.assign_sub(1)
print(w)运行结果：
- 返回张量沿指定维度最大值的索引
tf.argmax(张量名，axis=操作轴)import tensorflow as tf
import numpy as np
test = np.array([[1,2,3],[2,3,4],[5,4,3],[8,7,2]])
print(test)
print(tf.argmax(test,axis=0)) #返回每一列（经度）最大值的索引
print(tf.argmax(test,axis=1)) #返回每一行（纬度）最大值的索引
5、鸢尾花数据集读入
- 数据集介绍
共有数据150组，每组包含花萼长、花萼宽、花瓣长、花瓣宽4个输入特征。同时给出了，这一组特征对应的鸢尾花类别。类别包括Setosa Iris（狗尾草鸢尾），Versicolour Iris（杂色鸢尾），Virginica Iris（弗吉尼亚鸢尾）三类，分别用数字0，1，2表示。
鸢尾花数据集（Iris）
从sklearn包datasets读入数据集，语法为：
from sklearn.datasets import load_iris
x_data = load_iris().data #返回iris数据集所有输入特征
y_data = load_iris().target #返回iris数据集所有标签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'])
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)运行结果：
6、神经网络实现鸢尾花分类
-
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） -
搭建网络
定义神经网络中所有可训练参数 -
参数优化
嵌套循环迭代，with结构更新参数，显示当前loss -
测试效果
计算当前参数前向传播后的准确率，显示当前acc -
acc/loss可视化
-
数据集读入
从sklearn包datasets读入数据集：
from sklearn import datasets
x_data = datasets.load_iris().data #返回iris数据集所有输入特征
y_data = datasets.load_iris().target #返回iris数据集所有标签- 数据集乱序
import numpy as np
import tensorflow as tf
np.random.seed(116) #使用相同的seed，使输入特征/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)- 数据集分出永不相见的训练集和测试集
x_train = x_data[:-30]
y_train = y_data[:-30]
x_test = x_data[-30:]
y_test = y_data[-30:]- 配成[输入特征，标签]对，每次喂入一小撮（batch）
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)- 定义神经网络中所有可训练参数
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))
- 嵌套循环迭代，with结构更新参数，显示当前loss
for epoch in range(epoch): #数据集级别迭代
for step,(x_train,y_train) in enumerate(train_db): #batch级别迭代
with tf.GradientTape() as tape: #记录梯度信息
前向传播过程计算y
计算总loss
grads = tape.gradient(loss,[w1,b1])
w1.assign_sub(lr * grads[0]) #参数自更新
b1.assign_sub(lr * grads[1])
print("Epoch {},loss:{}".format(epoch),loss_all/4)
- 计算当前参数前向传播后的准确率，显示当前acc
for x_test,y_test in test_db:
y = tf.matmul(h,w)+b #y为预测结果
y = tf.nn.softmax #y符合概率分布
pred = tf.argmax(y,axis=1) #返回y中最大值的索引，即预测的分类
pred = tf.cast(pred,dtype=y_test.dype) #调整数据类型与标签一致
correct = tf.cast(tf.equal(pred,y_test),dtype=tf.int32)
correct = tf.reduce_sum(correct) #将每个batch的correct数加起来
total_correct += int(correct) #将所有batch中的correct数加起来
total_number += x_test.shape[0]
acc = total_correct/total_number
print("test_acc:",acc)- acc/loss可视化
plt.title('Acc Curve') #图片标题
plt.xlable('Epoch') #x轴名称
plt.ylable('Acc') #y轴名称
plt.plot(test_acc,label="$Accuracy$") #逐点画出test_acc值并连线
plt.legend()
plt.show()# -*- 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
# 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-out)^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.ylabel('Acc') # 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()
随着loss的减少，acc达到100%