[python图像对抗]二、深度学习基本概念以及神经网络实现鸢尾花分类

深度学习基本概念以及神经网络实现鸢尾花分类

基础知识

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）

鸢尾花分类（Iris）

(1)鸢尾花

• 0够味草鸢尾花

• 1 杂色鸢尾花

• 2 弗吉尼亚鸢尾花

用神经网络实现鸢尾花分类

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

(2)神经网络实现鸢尾花分类：梯度下降

目的：找到一组参数b和w，使得损失函数最小

梯度：函数对各个参数求偏导后的向量，函数梯度下降方向是函数减少方向。

梯度下降法：沿着损失函数梯度下降方向，寻找损失函数的最小值，得到参数的方法

学习率：当过小，收敛过慢，过大时，梯度可能会在最小值附近来回震荡，甚至无法收敛。

反向传播：从后向前，逐层求损失函数的对每层神经元参数的偏导数，迭代更新所有参数。

tensorflow学习

张量生成

张量（Tensor）：多维数组（列表），阶：张量的维数

tensorflow数据类型

创建张量

• tf.constant(张量内容，dtype=数据类型(可选))

#如何创建一个Tensor
import tensorflow as tf
a = tf.constant([1,5],dtype=tf.int64)
print(a)
print(a.dtype)
print(a.shape) #输出shape = (2,)一个逗号表示一维张量，两个元素

• 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)

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)

• 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)

代码：

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

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

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)

常用函数

• (1)强制tensor转换为该数据类型

tf.cast(张量名， dtype=数据类型)

• (2)寻找张量维度上元素的最小值

tf.reduce_min(张量名)

• (3)寻找张量维度上元素的最大值

tf.reduce_max(张量名)

代码

x1 = tf.constant([1.,2.,3.], dtype=tf.float64)
print(x1)

x2 = tf.cast(x1, tf.int32)
print(x2)

print(tf.reduce_min(x2))
print(tf.reduce_max(x2))

tf.Tensor([1. 2. 3.], shape=(3,), dtype=float64)
tf.Tensor([1 2 3], shape=(3,), dtype=int32)
tf.Tensor(1, shape=(), dtype=int32)
tf.Tensor(3, shape=(), dtype=int32)

• (4)axis

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

• （5）计算张量沿指定未单独的平均值

tf.reduce_mean(张量名，axis = 操作轴)

• （6）计算张量沿着指定维度的和

tf.reduce_sum(张量名，axis = 操作轴)

• （7）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，神经网络训练中没常用该函数标记待训练参数

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

• (8)基本运算

  • 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

• （9）把数据集和标签配对的函数

tf.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

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

numpy格式和tensor格式的数据都适用

features = tf.constant([12,23,10,17])
labels = tf.constant([0,1,1,0])
dataset = tf.data.Dataset.from_tensor_slices((features,labels))
print(dataset)
for element in dataset:
    print(element)
    
    
<TensorSliceDataset shapes: ((), ()), types: (tf.int32, tf.int32)>
(<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>)

• （10）tf.GradientTape

with结构记录计算过程，gradient求出张量的梯度

with tf.GradientTape() as tape

​ 若干个求导过程=

grad =tape.gradient(函数，对谁求导)

with tf.GradientTape() as tape
	w = tf.Variable(tf.constant(3,0))
    loss = tf.pow(w,2)
grad =tape.gradient(loss，w)
print(grad)

• （11）enumerate

是Python的内建函数，它可以遍历每个元素（如列表、元祖或字符串）组合为：索引 元素，常在for循环中适用.

seq = ['one','two','three']
for i ,element int enumetate(seq):
    print(i,element)

(12)tf.one_hot

独热编码：在分类问题中，常用独热码做标签。

tf.one_hot(待转换数据，depth = 几分类)

#独热码
classes = 3
labels = tf.constant([0,1,2]) #输入的元素值最小为0，最大为2
output = tf.one_hot(labels,depth=classes)
print(output)

tf.Tensor(
[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]], shape=(3, 3), dtype=float32)

• （13）tf.nn.softmax

使得输出符合概率分布

代码

#tf.nn.softmax 使得输出符合概率分布

y = tf.constant([1.01, 2.01, -0.66])
y_pro = tf.nn.softmax(y)
print("After softmax,y_pro is:", y_pro)


After softmax,y_pro is: tf.Tensor([0.25598174 0.69583046 0.04818781], shape=(3,), dtype=float32)

• （14）assign_sub

赋值操作，更新参数的值并返回

条用assign_sub前，先用tf.Variable定义变量w可为训练（可自更新）

w.assign_sub(w要自减的内容)

(15)tf.argmax

返回张量沿指定维度最大值的索引

#tf.argmax 返回张量沿指定维度最大值的索引
import numpy as np
test = np.array([[1,2,3],[2,3,4],[5,4,3],[8,7,2]])
print(test)
# 返回每列最大值的索引
print(tf.argmax(test,axis =0))
# 返回每行最大值的索引
print(tf.argmax(test,axis =1))

[[1 2 3]
 [2 3 4]
 [5 4 3]
 [8 7 2]]
tf.Tensor([3 3 1], shape=(3,), dtype=int64)
tf.Tensor([2 2 0 0], shape=(4,), dtype=int64)

鸢尾花数据集导入

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)

# 变成表格的形式
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

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

• 生成训练集和测试机

• 配成特征标签对，每次读入一个batch

（2）搭建网络

• 定义神经网络中所有可训练参数

（3）参数优化

• 嵌套循环迭代，with结构可更新参数，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

# -*- 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
            # 前向传播过程计算y
            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
            # 计算总loss
            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()