Tensorflow 入门手册（代码与原理释义）

 

 

·人工智能与深度学习

      -人工智能={机器学习，........else}

      -机器学习={深度学习（表示学习），........else}

·神经网络

·卷积神经网络(Convolutional Neural Networks)CNN

     -包含卷积层的神经网络、擅长处理图像

     -常见网络 LeNet 、 AlexNet 、 VGG16 、 GoogleNet 、 ResNet

·循环神经网络（Recurrent Neural Network）RNN

     -为处理时序数据而设计的，例如一段文字或语音

     -常见网络：长短期记忆（long short-term menory，LSTM）

tensorflow 的一些常用代码理解

 

Convolution - 卷积层

Average pooling  平均池化 （也可以最大值池化）

full connection 全连接层

 

 

核心步骤一——卷积

核心步骤二——池化（下采样）

 

核心步骤三——激活函数

 

七层模型：

1、第一层卷积层

·卷积后的大小   32-5+1=28

2、第二层池化层

3、第三层二次卷积

4、第四次二次池化

5、第五层全连接卷积层

 

6、第六层全连接层

7、第七层全连接层（输出层）

tensorflow模型类：model类使用例程网站 

 

·如何实例化一个模型 

model.summary() #模型展示

 

 tensorflow模型类：sequencial类使用例程网站 

lenet第一层：tensorflow的卷积类

lenet第二层：tensorflow池化类

 

padding的两种方法，valid代表去除多余的列，same代表补齐

 

lenet第三层和第四层：tensorflow卷积+池化层编码

 

 lenet转化层：连接前面四层与后面全连接层的扁平化类

 

 lenet第五层：全连接类

 

lenet第五六七层编码：

-这里最后一层使用softmax归一化函数

 lenet各层编码：

 lenet模型的训练设置

超参数设置

epoch：训练轮数

batch_size：批大小

learning_rate：学习率

深度学习中，主要调整以上参数

 

优化器：优化算法

adam_optimizer = tf.keras.optimizers.Adam(learning_rate)

 

编译模型 

model.compile(optimizer=adam_optimizer,       loss=tf.keras.losses.sparse_categorical_crossentropy,       metrics=['accuracy'])

 

训练模型

x, # 训练数据

y, # 训练数据的标签

batch_size,  # 批大小

epochs # 训练遍数(轮数)

根据参数开始训练：model.fit(x=x_train, y=y_train, batch_size=batch_size,     epochs=num_epochs) 

 

保存模型

filepath, # 保存路径
from google.colab import drive drive.mount('/gdrive') #使用colab时的保存代码

model.save('/gdrive/My Drive/AI/model/lenet_model.h5')

 

加载模型

预测时需要加载保存好的模型

 filepath, # 模型路径
model = tf.keras.models.load_model('/gdrive/My Drive/AI/model/lenet_model.h5')

 

预测模型 

 x, # 输入数据
pred = model.predict(x_test[image_index].reshape(1, 32, 32, 1)) #将测试集以四维结构输入，得到0-9的概率

print(pred.argmax())#打印最大概率的对应数字