tensorflow 学习笔记（一）：神经网络计算

algsup

已于 2023-02-04 21:16:45 修改

阅读量1k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：机器学习文章标签： tensorflow 学习神经网络

于 2023-02-04 21:14:59 首次发布

algsup

本文链接：https://blog.csdn.net/qq_43152052/article/details/128826410

机器学习专栏收录该内容

4 篇文章

订阅专栏

前言：

记录 tf 学习笔记，供以后复习查看。

文章目录

1、实验环境安装
2、神经网络方法
3、鸢尾花分类
- 使用神经网络实现鸢尾花分类

本节内容：

讲解神经网络的计算过程，搭建出第一个神经网络模型。

准备数据：采用大量“特征/标签”数据
搭建网络：搭建神经网络结构（前传）
优化参数：训练网络获取最佳参数（反转）
应用网络：将网络封装为模型，输入未曾见过的新数据，输出分类活预测结果（前传）

1、实验环境安装

安装 Anaconda：

conda create -n tensorflow python=3.7   # 新建一个名叫 tensorflow 的环境，用 python3.7 版本
conda activate tensorflow   # 进入 tensorflow 环境
conda install cudatoolkit=10.1   # 安装英伟达的SDK10.1版本
conda install cudnn=7.6   # 安装英伟达深度学习软件包7.6版本
pip install tensorflow==2.1   # 安装TensorFlow，指定2.1版本
 
# 安装完成后，进入python验证一下是否成功了
python
import tensorflow as tf
tf.__version__   # 若显示版本号，说明安装成功

2、神经网络方法

在这里插入图片描述
把数据集喂入搭建好的神经网络结构，网络优化参数得到模型，模型读入新输入特征，输出识别结果。

损失函数：预测值（y）与标准答案（y_）的差距。
损失函数可以定量判断 W、b的优劣，当损失函数输出最小时，参数 W、b 会出现最优值。

2.1 tf 的数据类型：

tf.int, tf.float…（ 32位整型：tf.int 32、32位浮点：tf.float 32、64位浮点：tf.float 64）
tf.bool（tf.constant([True, Flase])）
tf.string（tf.constant("hello, world!")）

2.2 创建一个 Tensor

在这里插入图片描述

# 方法1：直接创建一个张量
tf.constant(张量内容，dtype=数据类型(可选))

# 方法2：将 numpy 的数据类型转换为 Tensor 数据类型
tf.conver_to_tensor(数据名，dtype=数据类型(可选))

# 方法3：使用 tf 自带函数创建张量
# 维度：一维--直接写个数；二维--用[行，列]；多维--[n,m,j,k...]
tf.zero(维度) # 创建全为 0 的张量
tf.ones(维度) # 创建全为 1 的张量
tf.fill(维度, 指定值) # 创建全为指定值的张量

# 方法4：使用 random 来创建张量
# 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)
# 生成均匀分布的随机数：[min,max)为左闭右开区间
tf.random.uniform(维度, minval=最小值, maxval=最大值)

2.3 tf 的常用函数

# 强制类型转换：强制将 tensor 转换为该数据类型
tf.cast(张量名，dtype=数据类型)

# 计算张量维度上元素的最小值
tf.reduce_min(张量名)

# 计算张量维度上元素的最大值
tf.reduce_max(张量名)

# 计算张量沿着指定维度的平均值
# axis=0 表示纵向；axis=1 表示横向；如不指定axis，则表示对所有元素进行操作
tf.reduce_mean(张量名,axis=操作轴)

# 计算张量沿着指定维度的和
tf.reduce_sum(张量名,axis=操作轴)

# 张量的四则运算：只有维度相同的张量才能做四则运算
tf.add(张量1，张量2) # 加
tf.subtract(张量1，张量2) # 减
tf.multiply(张量1，张量2) # 乘
tf.divide(张量1，张量2) # 除

# 平方、次方、开方
tf.square(张量名) # 平方
tf.pow(张量名，n次方数) # n次方
tf.sqrt(张量名) # 开方

# 矩阵乘法
tf.matmul(矩阵1，矩阵2)

tf.data.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
data = tf.data.Dataset.from_tensor_slices(输入特征, 标签)
# Numpy 和 Tensor 格式都可用该语句读入数据

tf.Variable

可以讲变量标记为“可训练的”，被它标记了的变量会在反向传播中记录自己的梯度信息

tf.Variable(initial_value, trainable, validate_shape, name)
# initial_value默认为None，可以搭配TensorFlow随机生成函数来初始化参数
# trainable默认为True，表示可以后期被算法优化的，如果不想该变量被优化，改为False
# validate_shape默认为True，形状不接受更改，若需要更改，改为False
# name默认为None，给变量确定名称

在这里插入图片描述

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)

# demo
with tf.GradientTape() as tape:
    w = tf.Variable(tf.constant(3.0)) # w 初始值为3
    loss = tf.pow(w,2) # 损失函数为 w^2

grad = tape.gradient(loss,w) # 导数为 2*w = 2*3 =6
print(grad)

# enumerate 是 python 的内建函数，可遍历每个元素（如列表、元组或字符串），组合为：<索引、元素>，常在 for 循环中使用
enumerate(列表名)

tf.one_hot

独热编码（one-hot encoding）：在分类问题中，常用独热码做标签。标记类别：1表示是，0表示非。
在这里插入图片描述

# 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(待转换数据，depth=几分类)

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

tf.nn.softmax

在这里插入图片描述
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。使每个输出值变成 0~1 之间的概率值。

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

assign_sub

# assign_sub：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 w 为可训练（可自更新）。
w.assgin_sub(w要自减的内容)

# demo
w = tf.Variable(4)
w.assign_sub(1) # 即 w-=1
print(w) # <tf.Variable 'Variable:0' shape=() dtype=int32, numpy=3>

tf.argmax

返回张量沿指定维度最大值的索引

tf.argmax(张量名，axis=操作轴)

# demo
test = np.array([[1,2,3], [2,3,4], [5,4,3], [8,7,2]])
print(test)
print(tf.argmax(test,axis=0)) # 返回每一列最大值的索引
print(tf.argmax(test,axis=1)) # 返回每一行最大值的索引

3、鸢尾花分类

在这里插入图片描述

# 从 sklearn 包 datasets 中读入数据集
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("=====================================")
print("y_data from datasets: \n", y_data)
print("=====================================")

# 增加中文标签
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)
print("=====================================")

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

使用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
生成训练集和测试集（即 x_train / y_train, x_test / y_test）
配成（输入特征，标签）对，每次输入一小撮（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  # 150行4列
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，保证打乱顺序后输入特征和标签仍然一一对应
np.random.shuffle(x_data)
np.random.seed(116)
np.random.shuffle(y_data)
tf.random.set_seed(116)  # 保证每次运行这个代码文件的结果跟上次运行的结果一样

# 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
# 训练集和测试集是没有交集的
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
# tf.cast(张量名,dtype=数据类型) 强制将Tensor转换为该数据类型
x_train = tf.cast(x_train, tf.float32)
x_test = tf.cast(x_test, tf.float32)

# 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）
# tf.data.Dataset.from_tensor_slices((输入特征,标签))  配成[输入特征，标签]对，每次喂入一小撮(batch)
train_db = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32)  # 每32组数据<输入特征、标签>打包为一个batch
test_db = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)

# 定义神经网络中的所有可训练参数
# 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（只用一层网络，输出节点数就等于分类数）
# tf.random.truncated_normal(维度,mean=均值,stddev=标准差)   默认均值为0、标准差为1。数据一定在两倍标准差内，数据更向均值集中
# 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4个step生成的4个loss的和

# 训练部分（嵌套循环迭代，with结构更新参数，显示当前loss）
for epoch in range(epoch):  # 数据集级别的循环，每个epoch循环一次数据集
    # enumerate(列表名)  枚举出每一个元素，并在元素前配上对应的索引号，组合为：索引 元素。常在for循环中使用
    for step, (x_train, y_train) in enumerate(train_db):  # batch级别的循环，每个step循环一个batch
        '''
        在with结构中计算前向传播的预测结果y，计算损失函数loss；
        loss分别对参数w1和b1计算偏导数，更新参数w1和b1的值，打印出这一轮epoch后的损失函数值
        '''
        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])  # 嵌套循环loss对w1和b1求偏导

        # 实现梯度更新 w1 = w1 - lr * w1_grad    b = b - lr * b_grad
        # 每个step更新参数w1和b1
        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
    '''
    因为训练集有120组数据，batch=32，每个step只能喂入32组数据，
    需要batch级别循环4次，所以loss/4，求得每次step迭代的平均loss
    '''
    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（计算当前参数前向传播后的准确率，显示当前准确率acc）
    '''
    希望每个epoch循环后可以显示当前模型的效果，即识别准确率，
    故在epoch循环中又嵌套了一个batch级别的循环
    '''
    # 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
    # 测试时会遍历测试集中的所有数据
    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  # 计算前向传播的预测结果y
        y = tf.nn.softmax(y)  # 变为概率分布
        pred = tf.argmax(y, axis=1)  # 返回y中最大值的索引，即预测的分类（axis=1为横向）
        pred = tf.cast(pred, dtype=y_test.dtype)  # 将pred转换为y_test即标签的数据类型
        correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)  # 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.reduce_sum(correct)  # 将每个batch的correct数加起来
        total_correct += int(correct)  # 将所有batch中的correct数加起来
        total_number += x_test.shape[0]  # 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
    # 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()

在这里插入图片描述