Tensorflow2.0入门

Tensorflow2.0

拥抱tf.keras

QuickStart

安装部署，Anaconda3环境用pip安装，python3.9

# cpu版本，默认下载最新版
pip install tensorflow
# gpu版本，默认下载最新版（对英伟达驱动有要求，驱动版本需要450.80以上）
pip install tensorflow-gpu

GPU使用教程

• 建议参考李沐老师（沐神）安装pytorch的视频，前提是要有Nvidia的显卡
  传送门

• 出现下图表示一切成功！

keras八股文

建议精读该视频
附上传送门

线性回归

import tensorflow as tf
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline

data = pd.read_csv('./Income1.csv')
plt.scatter(data.Education, data.Income)

x = data.Education
y = data.Income

model = tf.keras.Sequential()

model.add(tf.keras.layers.Dense(1, input_shape=(1,)))  # 输出的维度，输入的维度，这里会变成y=a*x+b

model.summary() # 输出详情
model.compile(optimizer='adam', loss='mse')  # 优化方法，优化的衡量指标

history = model.fit(x, y, epochs=5000) # 模型训练

model.predict(x) # 模型预测

多层感知器—预测

import tensorflow as tf
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline

data = pd.read_csv('./Advertising.csv')
x= data.iloc[:,1:-1] # 第一列是索引所以不取。最后一列是标签也不取
y = data.iloc[:,-1]

# 神经网络，中间隐藏层就一层，10个神经元，输出的激活函数是relu函数
model = tf.keras.Sequential([tf.keras.layers.Dense(10,input_shape=(3,),activation='relu'), tf.keras.layers.Dense(1)])# 中间层10个单元

model.summary() # 输出详情
Model: "sequential"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 dense (Dense)               (None, 10)                40        
                                                                 
 dense_1 (Dense)             (None, 1)                 11        
                                                                 
=================================================================
Total params: 51
Trainable params: 51
Non-trainable params: 0
_________________________________________________________________


model.compile(optimizer='adam',loss='mse') # 配置优化器和损失函数

model.fit(x,y,epochs=100)

test = data.iloc[:10,1:-1]
model.predict(test)

神经网络分类问题—逻辑回归

import tensorflow as tf
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

data = pd.read_csv("./credit-a.csv",header=None)
data.iloc[:,-1].value_counts() # 统计标记列的各类数量

x = data.iloc[:,:-1]
y = data.iloc[:,-1].replace(-1,0)

model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(4,input_shape=(15,),activation='relu')) # 隐藏层第一层
model.add(tf.keras.layers.Dense(4,activation='relu')) # 隐藏层第二层
model.add(tf.keras.layers.Dense(1,activation='sigmoid')) # 输出层
model.summary()


model.compile(optimizer='adam',loss='binary_crossentropy',metrics=['acc']) # 交叉熵binary_crossentropy，计算精度metrics=['acc']

history = model.fit(x,y,epochs=100) # 迭代100次

history.history.keys() # 获取一些指标key：loss、acc

plt.plot(history.epoch,history.history.get('loss'))
plt.plot(history.epoch,history.history.get('acc'))

图像分类识别—softmax，fashion_mnist数据集

import tensorflow as tf
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

(train_image,train_label),(test_image,test_label) = tf.keras.datasets.fashion_mnist.load_data() # 加载fashion_mnist数据集

train_image = train_image/255.0 # 数据归一化到0-1之间
test_image = test_image/255.0

## 标签值为顺序编码训练
model = tf.keras.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28,28))) # 二维转一维
model.add(tf.keras.layers.Dense(128,activation='relu'))
model.add(tf.keras.layers.Dense(10,activation='softmax'))
model.compile(optimizer=tf.keras.optimizers.Adam(),loss='sparse_categorical_crossentropy',metrics=['acc']) #  标签是顺序编码所以使用sparse_categorical_crossentropy
model.fit(train_image,train_label,epochs=5) # 训练数据
model.evaluate(test_image,test_label) # 在测试数据上评价


## 标签值为独热编码训练
train_label_onehot = tf.keras.utils.to_categorical(train_label) # 顺序编码转独热编码
test_label_onehot =  tf.keras.utils.to_categorical(test_label)
model = tf.keras.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28,28))) # 二维转一维
model.add(tf.keras.layers.Dense(128,activation='relu'))
model.add(tf.keras.layers.Dense(10,activation='softmax'))
model.compile(optimizer='adam',loss='categorical_crossentropy',metrics=['acc']) # 标签是独热编码所以使用categorical_crossentropy
model.fit(train_image,train_label_onehot,epochs=5) # 训练数据
model.evaluate(test_image,test_label) # 在测试数据上评价

网络优化和超参数选择

• 加大层数，可以增强网络的拟合能力

model.add(tf.keras.layers.Dense(128,activation='relu'))
model.add(tf.keras.layers.Dense(128,activation='relu'))

• 单层的神经元个数，不能太小，太小会造成信息瓶颈，模型欠拟合

• 可以在训练的时候每训练一次就和测试集做比较

  history = model.fit(train_image,train_label_onehot,epochs=10,validation_data=(test_image,test_label_onehot))
  

  • 画图比较准确率，明显出现差距，有过拟合成分

  plt.plot(history.epoch,history.history.get('acc'),label='acc')
  plt.plot(history.epoch,history.history.get('val_acc'),label='val_acc')
  plt.legend()
  

  

  • 可以使用dropout丢弃一些神经元，可以联想到树模型的剪枝，也可以使用正则化，当然也可以增加训练数据

  model.add(tf.keras.layers.Dropout(0.5))  # 添加dropout
  

  

keras函数式Api

from tensorflow import keras
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

(train_image,train_label),(test_image,test_label) = keras.datasets.fashion_mnist.load_data()

train_image = train_image/255.0
test_image = test_image/255.0

input = keras.Input(shape=(28,28)) # 定义输入
x = keras.layers.Flatten()(input) # 调用函数
x = keras.layers.Dense(32,activation='relu')(x) # 调用函数
x = keras.layers.Dropout(0.5)(x) # 调用函数
x = keras.layers.Dense(64,activation='relu')(x) # 调用函数
output = keras.layers.Dense(10,activation='softmax')(x) # 调用函数
model = keras.Model(inputs=input,outputs=output)
model.compile(optimizer=keras.optimizers.Adam(),loss='sparse_categorical_crossentropy',metrics=['acc'])

history = model.fit(train_image,train_label,epochs=30,validation_data=(test_image,test_label))

动手操作

神经网络的思维可以理解成是人类的感性思维的具体实现，也就是凭感觉

• 入门神经网络分类任务，希望能背下来

# -*- 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()

神经网络

• 时间复杂度：神经元之间的乘积运算
• 空间复杂度：总w+总b

入门建议

• 首选relu激活函数
• 学习率设置较小值
• 输入特征标准化，输入特征要满足以0为均值，1为标准差的正态分布
• 初始参数中心化，让随机生成的参数满足以0为均值，根号下2/特征个数为标准差的正态分布