Tensorflow笔记——第一讲:神经网络计算

目录

  • 1.1人工智能三学派
  • 1.2 神经网络设计过程
  • 1.3 张量生成
      • 1.3.1创建张量:
      • 1.3.2将numpy数据类型转换为Tensor类型:
      • 1.3.3创建一些特殊的张量:
      • 1.3.4生成均匀分布随机数:
  • 1.4 常用函数
      • 1.4.1 求最大最小值等函数:
      • 1.4.2 tf.Variable()函数将变量标记为“可训练”:
      • 1.4.3 数学运算函数:
      • 1.4.4 平方、次方与开方函数:
      • 1.4.5 矩阵乘法函数 tf.matmul():
      • 1.4.6 将特征与标签配对的函数 tf.data.Dataset.from_tensor_slices():
      • 1.4.7 tf.GradientTape()函数实现指定函数对某个参数的梯度运算:
      • 1.4.8 enumerate()函数将列表、元组或字符串打包成(索引元素):
      • 1.4.9 tf.one_hot() 函数将待转换数据,转换为one-hot形式的数据输出:
      • 1.4.10 tf.nn.softmax():
      • 1.4.11 assign_sub() 赋值操作,更新参数的值并返回:
      • 1.4.12 tf.argmax() 返回张量沿指定维度最大值的索引:
  • 1.5 鸢尾花数据集读入
      • 1.5.1 数据集介绍:
      • 1.5.2 读入鸢尾花数据集(Iris):
  • 1.6 神经网络实现鸢尾花分类
      • 1.6.1 鸢尾花分类代码结构说明:
      • 1.6.2 鸢尾花分类代码:

1.1人工智能三学派

Tensorflow笔记——第一讲:神经网络计算_第1张图片
Tensorflow笔记——第一讲:神经网络计算_第2张图片
Tensorflow笔记——第一讲:神经网络计算_第3张图片

1.2 神经网络设计过程

Tensorflow笔记——第一讲:神经网络计算_第4张图片
Tensorflow笔记——第一讲:神经网络计算_第5张图片
下面看看步骤:

Tensorflow笔记——第一讲:神经网络计算_第6张图片
Tensorflow笔记——第一讲:神经网络计算_第7张图片
Tensorflow笔记——第一讲:神经网络计算_第8张图片
Tensorflow笔记——第一讲:神经网络计算_第9张图片
Tensorflow笔记——第一讲:神经网络计算_第10张图片
Tensorflow笔记——第一讲:神经网络计算_第11张图片
以上就是神经网络的全部过程。

看一个最简单的更新参数w的例子:

import tensorflow as tf

w = tf.Variable(tf.constant(5, dtype=tf.float32))  #  tf.Variable()函数将变量标记为“可训练”:
lr = 0.2
epoch = 40

for epoch 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。
    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

    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" % (epoch, 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

1.3 张量生成

这里是以TensorFlow2学习的。

Tensorflow笔记——第一讲:神经网络计算_第12张图片
Tensorflow笔记——第一讲:神经网络计算_第13张图片
Tensorflow笔记——第一讲:神经网络计算_第14张图片

1.3.1创建张量:

Tensorflow笔记——第一讲:神经网络计算_第15张图片

1.3.2将numpy数据类型转换为Tensor类型:

Tensorflow笔记——第一讲:神经网络计算_第16张图片

1.3.3创建一些特殊的张量:

Tensorflow笔记——第一讲:神经网络计算_第17张图片
Tensorflow笔记——第一讲:神经网络计算_第18张图片
下面看个例子:

Tensorflow笔记——第一讲:神经网络计算_第19张图片

1.3.4生成均匀分布随机数:

在这里插入图片描述

1.4 常用函数

1.4.1 求最大最小值等函数:

Tensorflow笔记——第一讲:神经网络计算_第20张图片
Tensorflow笔记——第一讲:神经网络计算_第21张图片
看一个求均值的例子:

Tensorflow笔记——第一讲:神经网络计算_第22张图片

1.4.2 tf.Variable()函数将变量标记为“可训练”:

Tensorflow笔记——第一讲:神经网络计算_第23张图片

1.4.3 数学运算函数:

Tensorflow笔记——第一讲:神经网络计算_第24张图片

Tensorflow笔记——第一讲:神经网络计算_第25张图片
看个例子:

Tensorflow笔记——第一讲:神经网络计算_第26张图片

1.4.4 平方、次方与开方函数:

Tensorflow笔记——第一讲:神经网络计算_第27张图片

1.4.5 矩阵乘法函数 tf.matmul():

Tensorflow笔记——第一讲:神经网络计算_第28张图片

1.4.6 将特征与标签配对的函数 tf.data.Dataset.from_tensor_slices():

Tensorflow笔记——第一讲:神经网络计算_第29张图片
看个例子:

Tensorflow笔记——第一讲:神经网络计算_第30张图片

1.4.7 tf.GradientTape()函数实现指定函数对某个参数的梯度运算:

Tensorflow笔记——第一讲:神经网络计算_第31张图片

1.4.8 enumerate()函数将列表、元组或字符串打包成(索引元素):

Tensorflow笔记——第一讲:神经网络计算_第32张图片

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

Tensorflow笔记——第一讲:神经网络计算_第33张图片
Tensorflow笔记——第一讲:神经网络计算_第34张图片

1.4.10 tf.nn.softmax():

Tensorflow笔记——第一讲:神经网络计算_第35张图片
Tensorflow笔记——第一讲:神经网络计算_第36张图片

1.4.11 assign_sub() 赋值操作,更新参数的值并返回:

Tensorflow笔记——第一讲:神经网络计算_第37张图片

1.4.12 tf.argmax() 返回张量沿指定维度最大值的索引:

Tensorflow笔记——第一讲:神经网络计算_第38张图片

1.5 鸢尾花数据集读入

1.5.1 数据集介绍:

Tensorflow笔记——第一讲:神经网络计算_第39张图片

1.5.2 读入鸢尾花数据集(Iris):

Tensorflow笔记——第一讲:神经网络计算_第40张图片
看一段读入这个数据集的代码:

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

运行结果:
Tensorflow笔记——第一讲:神经网络计算_第41张图片

1.6 神经网络实现鸢尾花分类

1.6.1 鸢尾花分类代码结构说明:

Tensorflow笔记——第一讲:神经网络计算_第42张图片
Tensorflow笔记——第一讲:神经网络计算_第43张图片
Tensorflow笔记——第一讲:神经网络计算_第44张图片
Tensorflow笔记——第一讲:神经网络计算_第45张图片

1.6.2 鸢尾花分类代码:

# -*- 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()

运行结果:

Loss变化曲线:

Tensorflow笔记——第一讲:神经网络计算_第46张图片
Acc准确率:
Tensorflow笔记——第一讲:神经网络计算_第47张图片

你可能感兴趣的:(Tensorflow笔记)