深度学习tensorflow学习笔记

---

不断更新，建议收藏！

---

1.安装

1.1 Anaconda安装

验证anaconda是否安装成功的方法，在anaconda prompt中输入

conda --version

1.2 安装tensorflow

1.2.1 使用国内清华镜像

#连接清华镜像
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ 　　　　
conda config --set show_channel_urls yes

1.2.2 安装tensorflow

#创建python环境
conda create -n tensorflow python=3.5.2
#激活环境，进入NAME环境
conda activate [NAME]
#安装tensorflow
pip install tensorflow == 2.1

1.2.3. 测试

#进入python
python
#导入tensorflow
import tensorflow as tf
tf.__version__

2. 安装pycharm

Step1：社区版pycharm，环境变量选上，重启电脑

Step2：pycharm环境配置

• 新建工程
• 设置环境变量
  

3. Tensor

Tensor是张量，实际上是一个多维数组，多维列表，用阶表示张量的维数

维数	阶	名字	例子
0-D	0	标量	s=123
1-D	1	向量	v=[1,2,3]
2-D	2	矩阵	m=[[1,2,3],[4,5,6],[7,8,9]]
n-D	n	张量	t=[[[

判断张量是几阶，就看方括号有几个，0个是0阶，张量可以表示0阶到n阶的数组

数据类型

tf.int，tf.float

tf.int 32,tf.float32,tf.float 64，32位整型、32位浮点、64位浮点

tf.bool

tf.constant([True,False])

tf.string

tf.constant(“hello”)

3.1 如何创建一个张量

Step1: 使用constant创建一个张量tf.constant(张量内容，dtype=数据类型）

import tensorflow as tf
a  = tf.constant([1,5],dtype=tf.int64)#创建一阶张量，数据类型为64位整型
print(a)
print(a.dtype)
print(a.shape)

结果分析：张量的形状看shape的逗号隔开了几个数字，张量就是几维的。所以该张量就是一维的，数字为2说明张量有两个元素,shape(2,5)说明是两维的，2行5列

Step2: 将numpy的数据类型转化为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)

3.1.1 指定值张量生成

• tf.zeros(维度)：创建全为0的张量
• tf.ones(维度)：创建全为1的张量
• tf.fill(维度，指定值)：创建全为指定值的张量。c=tf.fill([2,2],9),即使是一维也要写[]，fill函数输入的是dim，zeros和ones输入的是shape
  • 一维直接写个数
  • 二维用[行，列]
  • 多维用[n,m,j,k,……]

3.1.2 随机张量生成

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)
  生成截断式正态分布的随机数（使随机数更集中一些）

• tf.random.truncated_normal(维度，mean = 均值，stddev = 标准差)，保证生成的随机数在均值正负两倍标准差之内

3.1.3 常用函数

• tf.cast(张量名，dtype=数据类型)：强制tensor转换数据类型
• tf.reduce_min(张量名)：计算张量维度上的最小值
• tf.reduce_max(张量名)：计算张量维度上的最大值
• tf.reduce_mean(张量名，axis=操作轴)
• tf.reduce_sum(张量名，axis=操作轴)
• 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这个函数标记待训练的参数

#神经网络初始化参数w，首先，随机生成正态分布随机数，再给生成的随机数标记为可训练，在反向传播中通过梯度下降更新参数w
w = tf.Variable(tf.random.normal([2,2],mean=0,stddev=1))

3.1.4 数学运算函数

四则运算

• td.add,tf.subtract,tf.multiply,tf.divide
  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.suqare,tf.pow,tf.sqrt

矩阵乘

• tf.matmul
  对于一个二维张量或者数据来说，通过axis
  • axis：控制操作的方向
  • axis=0表示对第一个维度操作，
  • axis=1表示对第二个维度进行操作，axis=0表示纵向操作，axis=1表示横向操作，不指定axis，则对所有元素进行操作

col	col0	col1	col2	col3	col4
row0
row1
row2

3.1.5 数据与标签配对

神经网络在训练时，是把输入特征和标签配对后喂入网络的
tf.data.Dataset.from_tensor_slices

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

3.1.6 求导函数

tf.GradientTape：实现某个函数对指定参数的求导运算，结合variable函数实现损失函数loss对参数w的求导数计算

使用with结构记录计算过程，gradient求出张量的梯度

3.1.7 枚举函数

enumerate是枚举，可以枚举出每一个元素，并在元素前配上对应的索引号，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,elment)

3.1.8 独热编码

在分类问题中，使用独热编码做标签，1表示是，0表示非

表示:

tf.one_not(待转换数据，depth=几分类): 将待转换数据直接转换为独热编码格式

3.1.9 分类问题独热编码

分类问题中，神经网络完成前向传播，计算出每种类型的可能性大小，但是输出的y值只有符合概率分布后才能与独热码的标签做比较，使用公式（softmax激活函数）转换使输出符合概率分布

softmax函数： tf.nn.softmax(x)，使n分类的n个输出符合概率分布，也就是每个输出值变为0到1之间的概率值，这些概率的和为1

3.1.10 参数自更新

assign_sub函数用于参数的自更新，等待更新的参数w要先被指定为可更新更训练，即在调用assign_sub前，先用tf.Variable 定义变量w为可训练，才能实现自更新
w.assign_sub(要自减的内容)：w.assign_sub(1)表示w=w-1

返回指定操作轴（维度）方向最大值的索引号

tf.argmax(张量名，axis=操作轴)

• axis=0表示经度、纵向
• axis=1表示纬度、横向