【Tensorflow学习一】神经网络计算过程: 搭建第一个神经网络模型
文章目录
- 创建张量Tensor:
- 常用函数
- 理解axis
- tf.Variable变量标记为“可训练”
- tensorflow中的数学运算函数
- Tensorflow的数据标签和特征配对函数
- tf.GradientTape某函数对指定参数进行求导运算
- enumerate枚举
- tf.one_hot独热编码
- tf.nn.softmax 激活函数softmax
- assign_sub 参数自更新
- tf.argmax 最大值索引
- 神经网络实现鸢尾花分类
Tensor可以表示0~n阶数组
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!")
创建张量Tensor:
1.创建一个张量
tf.constant(张量内容,dytpe=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，元素为1，5，数据类型为int64
print(a)
print(a.dtype)
print(a.shape)
>>>
tf.Tensor([1 5], shape=(2,), dtype=int64)#内容，形状(看shape的逗号隔开了几个数字，隔开了几个数字，张量就是几维的，数字代表元素数)，数据类型
<dtype: 'int64'>
(2,)
2.将numpy数据类型转换为Tensor
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)
>>>
[0 1 2 3 4]
tf.Tensor([0 1 2 3 4], shape=(5,), dtype=int64)
3.创建全为0、1和指定值的tensor
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)
关于维度：
一维变量 直接写个数
二维 用(行,列)
多维 用(n,m,j,k...)
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)
4.
(1)随机生成初始化参数
生成正太分布的随机数，默认值为0，标准差为1
tf.random.normal(维度，mean=均值,stddev=标准差)
(2)生成截断式正态分布随机数
tf.random.truncated_normal(维度,mean=均值,stddev=标准差)
tf.random.truncated_normal中如果随机数生成的数据取值在(\mu-2*\theta,\mu+2*\theta)则重新进行生成，保证了生成值在均值附近
\mu：均值
\theta：标准差
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)
>>>
tf.Tensor(
[[ 1.8508403 -1.7066748]
[-1.1843234 0.3095252]], shape=(2, 2), dtype=float32)
tf.Tensor(
[[ 1.1416166 0.9431399 ]
[ 0.21265301 -0.1760937 ]], shape=(2, 2), dtype=float32)
(3)生成均匀分布随机数
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)
>>>
tf.Tensor(
[[0.06178999 0.9780222 ]
[0.32275808 0.532699 ]], shape=(2, 2), dtype=float32)
常用函数
强制将tensor转换为该数据类型
tf.cast(张量名,dtype=数据类型)
计算张量维度上的最小值、最大值
tf.reduce_min(张量名)
tf.reduce_max(张量名)
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))
>>>
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)
理解axis
在一个二维张量或数组中，可以通过调整axis等于0或者1控制执行维度
axis=0，表示纵向
axis=1，表示横向
若不指定axis，则所有元素参与计算
计算张量沿指定维度的平均值
tf.reduce_mean(张量名,axis=操作轴)
计算张量沿指定方向的和
tf.reduce_sum(张量名,axis=操作轴)
x=tf.constant([[1,2,3],[2,2,3]])
print(x)
print(tf.reduce_mean(x))
print(tf.reduce_sum(x,axis=1))
>>>
tf.Tensor(
[[1 2 3]
[2 2 3]], shape=(2, 3), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)
tf.Tensor([6 7], shape=(2,), dtype=int32)
tf.Variable变量标记为“可训练”
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)
W=tf.Variable(tf.random.normal([2,2],mean=0,stddev=1))#神经网路初始化参数w的代码
#生成随机分布可训练随机数，再将随机数标记为可训练
#这样在反向传播中可以通过梯度下降更新参数w
tensorflow中的数学运算函数
对应元素的四则运算
tf.add tf.subtract tf.multiply tf.divide
平方、次方和开方
tf.square tf.pow tf.sqrt
矩阵乘
tf.matmul
实现两个张量对应元素相加：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)
实现两个张量对应元素相乘：tf.multiply(张量1，张量2)
实现两个张量对应元素相除：tf.divide(张量1，张量2)
---只有维度相同的张量才能做四则运算---
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))
>>>
tf.Tensor([[1. 1. 1.]], shape=(1, 3), dtype=float32)
tf.Tensor([[3. 3. 3.]], shape=(1, 3), dtype=float32)
tf.Tensor([[4. 4. 4.]], shape=(1, 3), dtype=float32)
tf.Tensor([[-2. -2. -2.]], shape=(1, 3), dtype=float32)
tf.Tensor([[3. 3. 3.]], shape=(1, 3), dtype=float32)
tf.Tensor([[3. 3. 3.]], shape=(1, 3), dtype=float32)
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)
计算某个张量的开方：tf.sqrt(张量名)
a=tf.fill((1,2),3.)
print(a)
print(tf.pow(a,3))
print(tf.square(a))
print(tf.sqrt(a))#float类型才能用
>>>
tf.Tensor([[3. 3.]], shape=(1, 2), dtype=float32)
tf.Tensor([[27. 27.]], shape=(1, 2), dtype=float32)
tf.Tensor([[9. 9.]], shape=(1, 2), dtype=float32)
tf.Tensor([[1.7320508 1.7320508]], shape=(1, 2), dtype=float32)
矩阵乘法tf.matumul
实现两个矩阵的乘法
tf.matmul(矩阵1,矩阵2)
a=tf.ones((3,2))
b=tf.fill((2,3),3.)
print(tf.matmul(a,b))
>>>
tf.Tensor(
[[6. 6. 6.]
[6. 6. 6.]
[6. 6. 6.]], shape=(3, 3), dtype=float32)
Tensorflow的数据标签和特征配对函数
神经网络在训练时是将输入特征和标签配对后喂入网络的
tf.data.Dataset.from_tensor_slices
该函数对numpy和tensor格式都适用
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data=tf.data.Dataset.from_tensor_slices((输入特征,标签))
features=tf.constant([12,23,10,17])
lables=tf.constant([0,1,1,0])
dataset=tf.data.Dataset.from_tensor_slices((features,lables))
print(dataset)
for element in dataset:
print(element)
>>>
<TensorSliceDataset element_spec=(TensorSpec(shape=(), dtype=tf.int32, name=None), TensorSpec(shape=(), dtype=tf.int32, name=None))>
(<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>)
tf.GradientTape某函数对指定参数进行求导运算
tf.GradientTape
with结构记录计算过程,gradient求出张量的梯度
with tf.GradientTape() as tape:
若干个计算过程
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)
>>>
tf.Tensor(6.0, shape=(), dtype=float32)
enumerate枚举
enumerate是python内建函数，可以用来遍历每一个元素(列表、元组、字符串),
组合为：索引 元素，常在for循环中使用
enumerate(列表名)
seq=['one','tow','three']
for i,element in enumerate(seq):
print(i,element)
>>>
0 one
1 tow
2 three
#返回值 索引 元素
tf.one_hot独热编码
独热编码(one-hot encoding)：在分类问题中，常用独热码做标签
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(带转换数据,depth=几分类)
classes=3
lables=tf.constant([1,0,2])#输入元素最小值为0，最大值为2
output=tf.one_hot(lables,depth=classes)
print(output)
>>>
tf.Tensor(
[[0. 1. 0.]
[1. 0. 0.]
[0. 0. 1.]], shape=(3, 3), dtype=float32)
#010 100 001
tf.nn.softmax 激活函数softmax
S o f t m a x ( y i ) = e y i ∑ j = 0 n e y i 输 出 符 合 概 率 分 布 Softmax(y_i)=\frac{e^{y_i}}{\sum_{j=0}^ne^{y_i}}\\ 输出符合概率分布 Softmax(yi)=∑j=0neyieyi输出符合概率分布
在tensorflow中可以使用tf.nn.softmax(x)实现上述功能
当n分类的n个输出(y0,y1,....yn-1)通过softmax()函数,便符合概率分布了。
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)
#可见输出结果符合概率分布，25% 69% 4%
assign_sub 参数自更新
assign_sub常用于参数的自更新
赋值操作，更新参数的值并返回
调用assign_sub前，先用tf.Variable定义变量为可训练(可自更新)
w.assign_sub(w要自减的内容)
w=tf.Variable(4)
w.assign_sub(1)#w=w-1
print(w)
>>>
<tf.Variable 'Variable:0' shape=() dtype=int32, numpy=3>
tf.argmax 最大值索引
返回张量沿着指定维度最大值的索引
tf.argmax(张量名,axis=操作轴)
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=1))#返回每一列最大值的索引号，横向最大值的索引号
print(tf.argmax(test,axis=0))#返回每一行最大值的索引号，纵向最大值的索引号
>>>
tf.Tensor([2 2 0 0], shape=(4,), dtype=int64)
tf.Tensor([3 3 1], shape=(3,), dtype=int64)
[1,2,3]
[2,3,4]
[5,4,3]
[8,7,2]
沿着行的方向，最大值依次是8 7 4
沿着列的方向，最大值依次是3 4 5 8
神经网络实现鸢尾花分类
步骤:
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_tain/y_tain,x_test/y_test)
2.搭建网络模型
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
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)# 使用相同的seed，保证输入特征和标签一一对应
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()
