人工智能实践：Tensorflow笔记——初识TensorFlow

发布于 | 更新于 | 分类于 人工智能| 4
本文已收录于 人工智能实践：Tensorflow笔记 系列，共计 7 篇，本篇是第 1 篇

本文已收录到：人工智能实践：Tensorflow笔记 专题
文章目录 隐藏
1 人工智能三学派
2 神经网络设计过程
2.1 用神经网络实现鸢尾花分类：搭建网络
2.2 用神经网络实现鸢尾花分类：损失函数
2.3 用神经网络实现鸢尾花分类：梯度下降
2.4 用神经网络实现鸢尾花分类：反向传播
3 张量生成
3.1 数据类型
3.1.1 如何创建一个Tensor
4 TensorFlow2常用函数
4.1 理解axis
4.1.1 变量tf.Variable
4.2 TensorFlow中的数学运算
4.3 矩阵乘
4.4 传入特征与标签
4.5 函数对指定参数求导gradient
4.6 枚举元素enumerate
4.7 独热编码
4.8 使输出符合概率分布（归一化）
4.9 参数自更新
4.10 指定维度最大值索引
5 鸢尾花数据集读入
6 神经网络实现鸢尾花分类

人工智能三学派

本讲目标:学会神经网络计算过程，使用基于TF2原生代码搭建你的第一个的神经网络训练模型

当今人工智能主流方向——连接 主义

  • 前向传播
  • 损失函数(初体会)
  • 梯度下降(初体会)
  • 学习率(初体会)
  • 反向传播更新参数

人工智能：让机器具备人的思维和意识。

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）理性思维
  • 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）感性思维

理解:基于连结主义的神经网络设计过程

用计算机仿出神经网络连接关系，让计算机具备感性思维。

  • 准备数据:采集大量”特征标签”数据
  • 搭建网络:搭建神经网络结构
  • 优化参数:训练网络获取最佳参数(反传)
  • 应用网络:将网络保存为模型，输入新数据，输出分类或预测结果(前传)

神经网络设计过程

给鸢尾花分类(lris)

  • 0狗尾草鸢尾
  • 1杂色鸢尾
  • 2弗吉尼亚鸢尾

人们通过经验总结出了规律：通过测量花的花曹长、花尊宽、花瓣长、花瓣宽，可以得出鸢尾花的类别。

聪明的你会想到使用 if … case 语句来实现，其实这就是专家系统，把专家的经验告知计算机，计算机执行逻辑判别（这是一个纯理性思维计算），给出分类。

但是一个有着丰富经验的人不会这么刻板的去区分鸢尾花的类别。而是会像下面这样：

神经网络：采集大量(输入特征：花萼长、花夢宽、花瓣长、花瓣宽，标签(需人工 标定)：对应的类别)数据对构成数据集。

把数据集限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

用神经网络实现鸢尾花分类：搭建网络

这里我们引入了MP模型，之前在机器学习中也讲述过。 –> 人工神经网络（ANN）及BP算法原理

针对鸢尾花的例子：

  • x是1行4列的输入特征，即花萼长、花萼宽、花瓣长、花瓣宽。
  • w是这些线上的权重，是4行3列的。
  • b是偏执，每个列各有一个。

下面的网络是全连接网络，w和b会被随机初始化。

该输入特征真实的分类是0类鸢尾花，即狗尾草鸢尾花。但是最终输出的得分y0类鸢尾花并不是最大的。这是因为我们最初的w和b是瞎糊弄的。

代码：

  1. import tensorflow as tf
  3. x1 = tf.constant([[5.8, 4.0, 1.2, 0.2]]) # 5.8,4.0,1.2,0.2（0）
  4. w1 = tf.constant([[-0.8, -0.34, -1.4],
  5. [0.6, 1.3, 0.25],
  6. [0.5, 1.45, 0.9],
  7. [0.65, 0.7, -1.2]])
  8. b1 = tf.constant([2.52, -3.1, 5.62])
  10. y = tf.matmul(x1, w1) + b1
  11. # 显示几行几列
  12. print("x1的shape:", x1.shape)
  13. print("w1的shape:", w1.shape)
  14. print("b1的shape:", b1.shape)
  15. print("y的shape:", y.shape)
  16. # 计算结果
  17. print("y的值:", y)
import tensorflow as tf

x1 = tf.constant([[5.8, 4.0, 1.2, 0.2]])  # 5.8,4.0,1.2,0.2（0）
w1 = tf.constant([[-0.8, -0.34, -1.4],
                  [0.6, 1.3, 0.25],
                  [0.5, 1.45, 0.9],
                  [0.65, 0.7, -1.2]])
b1 = tf.constant([2.52, -3.1, 5.62])

y = tf.matmul(x1, w1) + b1
# 显示几行几列
print("x1的shape:", x1.shape)
print("w1的shape:", w1.shape)
print("b1的shape:", b1.shape)
print("y的shape:", y.shape)
# 计算结果
print("y的值:", y)

用神经网络实现鸢尾花分类：损失函数

损失函数(loss function) ：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。

损失函数有很多，下面的均方误差就是其中的一种。

均方误差： MSE(y,y−)=∑k=0n(y−y)2n

用神经网络实现鸢尾花分类：梯度下降

目的：想找到一组参数w和b，使得损失函数最小。

梯度：函数对各参数求偏导后的向量。函数梯度下降方向是函数减小方向。

梯度下降法：沿损失函数梯度下降的方向，寻找损失函数的最小值，得到最优参数的方法。

学习率(learning rate, Ir) ：当学习率设置的过小时，收敛过程将变得十分缓慢。而当学习率设置的过大时，梯度可能会在最小值附近来回震荡，甚至可能无法收敛。

右边的这个公式很重要！

用神经网络实现鸢尾花分类：反向传播

下面我们用上一节右图的公式来体会下反向传播。这里我们先不用损失函数那小节的均方误差损失函数，我们以下面单独的例子作为演示。

  1. import os
  2. os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 关闭log信息
  4. import tensorflow as tf
  6. # 超参数lr初始值：0.2 （可自改学习率 0.001 0.999 看收敛过程）
  7. # 最终目的：找到 loss 最小 即 w = -1 的最优参数w
  8. w = tf.Variable(tf.constant(5, dtype=tf.float32))
  9. lr = 0.2
  10. epoch = 40
  12. for i in range(epoch): # for epoch 定义顶层循环，表示对数据集循环epoch次，此例数据集数据仅有1个w,初始化时候constant赋值为5，循环40次迭代。
  13. # 用with结构让损失函数loss对参数w求梯度
  14. with tf.GradientTape() as tape: # with结构到grads框起了梯度的计算过程。
  15. loss = tf.square(w + 1)
  16. grads = tape.gradient(loss, w) # .gradient函数告知谁对谁求导,此处为loss函数对w求偏导
  18. w.assign_sub(lr * grads) # .assign_sub 对变量做自减 即：w -= lr*grads 即 w = w - lr*grads
  19. print("轮数 %s epoch, w的值 %f, loss值（损失值）： %f" % (i, w.numpy(), loss))
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 关闭log信息

import tensorflow as tf

# 超参数lr初始值：0.2 （可自改学习率  0.001  0.999 看收敛过程）
# 最终目的：找到 loss 最小 即 w = -1 的最优参数w
w = tf.Variable(tf.constant(5, dtype=tf.float32))
lr = 0.2
epoch = 40

for i in range(epoch):  # for epoch 定义顶层循环，表示对数据集循环epoch次，此例数据集数据仅有1个w,初始化时候constant赋值为5，循环40次迭代。
    # 用with结构让损失函数loss对参数w求梯度
    with tf.GradientTape() as tape:  # with结构到grads框起了梯度的计算过程。
        loss = tf.square(w + 1)
    grads = tape.gradient(loss, w)  # .gradient函数告知谁对谁求导,此处为loss函数对w求偏导

    w.assign_sub(lr * grads)  # .assign_sub 对变量做自减 即：w -= lr*grads 即 w = w - lr*grads
    print("轮数 %s epoch, w的值 %f, loss值（损失值）： %f" % (i, w.numpy(), loss))

我们找到了w的最优值，即 w = -1。

张量生成

阶就是张量的维数。关于维数的概念之前的机器学习笔记中有涉及。回顾 –> 维度是什么？数据降维方法，降维的用途

张量(Tensor) ：多维数组(列表)

阶：张量的维数

维数 阶 名字 例子
0-D 0 标量 scalar s=1 2 3
1-D 1 向量 vector v=[1, 2, 3]
2-D 2 矩阵 matrix m=[[1,2,3],[4,5,6][7,8,9]]
N-D N 张量 tensor t=[[[ 有几个中括号就是几阶张量

张量可以表示0阶到n阶数组(列表)

数据类型

  • tf.int, tf.float
    • tf.int 32，tf.float 32, tf.float 64
  • tf.bool
    • tf.constant([True, False])
  • tf.string
    • tf.constant("Hello, world!")

如何创建一个Tensor

创建一个张量

tf.constant(张量内容, dtype=数据类型（可选）)

代码示例

  1. import os
  2. os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 关闭log信息
  4. import tensorflow as tf
  6. a = tf.constant([1, 5], dtype=tf.int64) # 本机默认 tf.int32 可去掉dtype试一下 查看默认的数据类型
  7. print("输出张量a的所有信息：", a)
  8. print("a的dtype：", a.dtype)
  9. print("a的shape：", a.shape)
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'    # 关闭log信息

import tensorflow as tf

a = tf.constant([1, 5], dtype=tf.int64)     # 本机默认 tf.int32  可去掉dtype试一下 查看默认的数据类型
print("输出张量a的所有信息：", a)
print("a的dtype：", a.dtype)
print("a的shape：", a.shape)

运行结果

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(可选))

代码示例

  1. import os
  2. os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 关闭log信息
  4. import tensorflow as tf
  5. import numpy as np
  7. a = np.arange(0, 5)
  8. b = tf.convert_to_tensor(a, dtype=tf.int64)
  9. print("a:", a) # numpy格式
  10. print("b:", b) # tf格式
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 关闭log信息

import tensorflow as tf
import numpy as np

a = np.arange(0, 5)
b = tf.convert_to_tensor(a, dtype=tf.int64)
print("a:", a)  # numpy格式
print("b:", b)  # tf格式

运行结果

  • 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. fil(维度，指定值)

维度：

  • 一维直接写个数
  • 二维用[行，列]
  • 多维用[n,m,.K….]

代码示例：

  1. import os
  2. os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 关闭log信息
  4. import tensorflow as tf
  6. a = tf.zeros([2, 3])
  7. b = tf.ones(4)
  8. c = tf.fill([2, 2], 9)
  9. print("a:", a)
  10. print("b:", b)
  11. print("c:", c)
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 关闭log信息

import tensorflow as tf

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

运行结果

  • 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)

在tf.truncated_normal中如果随机生成数据的取值在(μ-2σ， μ+2σ) 之外,则重新进行生成，保证了生成值在均值附近。(μ:均值，σ:标准差）

标准差计算公式： σ=∑i=1n(xi−x¯)2n 代码示例：

  1. import tensorflow as tf
  3. # 生成正态分布的随机数，默认参数均值是0，标准差是1。
  4. d = tf.random.normal([2, 2], mean=0.5, stddev=1)
  5. print("d:", d)
  7. # 生成截断式正态分布的随机数
  8. e = tf.random.truncated_normal([2, 2], mean=0.5, stddev=1)
  9. print("e:", e)
import tensorflow as tf

# 生成正态分布的随机数，默认参数均值是0，标准差是1。
d = tf.random.normal([2, 2], mean=0.5, stddev=1)
print("d:", d)

# 生成截断式正态分布的随机数
e = tf.random.truncated_normal([2, 2], mean=0.5, stddev=1)
print("e:", e)

运行结果

生成均匀分布随机数( minval, maxval ) tf. random. uniform(维度，minval=最小值，maxval=最大值)

代码示例

  1. import tensorflow as tf
  3. # 生成均匀分布随机数
  4. f = tf.random.uniform([2, 2], minval=0, maxval=1)
  5. print("f:", f)
import tensorflow as tf

# 生成均匀分布随机数
f = tf.random.uniform([2, 2], minval=0, maxval=1)
print("f:", f)

运行结果

TensorFlow2常用函数

  • 强制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)
  • 将tensor转换为numpy
    • tensor.numpy()

代码示例：

  1. import tensorflow as tf
  3. x1 = tf.constant([1., 2., 3.], dtype=tf.float64)
  4. print("x1:", x1)
  5. x2 = tf.cast(x1, tf.int32) # 强制tensor转换为该数据类型
  6. print("x2", x2)
  8. print("minimum of x2：", tf.reduce_min(x2)) # 计算张量维度上元素的最小值
  9. print("maxmum of x2:", tf.reduce_max(x2)) # 计算张量维度上元素的最大值
  11. a = tf.constant(5, dtype=tf.int64)
  12. print("tensor a:", a)
  13. print("numpy a:", a.numpy())
import tensorflow as tf

x1 = tf.constant([1., 2., 3.], dtype=tf.float64)
print("x1:", x1)
x2 = tf.cast(x1, tf.int32)                   # 强制tensor转换为该数据类型
print("x2", x2)

print("minimum of x2：", tf.reduce_min(x2))  # 计算张量维度上元素的最小值
print("maxmum of x2:", tf.reduce_max(x2))    # 计算张量维度上元素的最大值

a = tf.constant(5, dtype=tf.int64)
print("tensor a:", a)
print("numpy a:", a.numpy())

运行结果：

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1控制执行维度。axis=0代表跨行(经度，down)，而axis=1代表跨列(纬度，across)。如果不指定axis，则所有元素参与计算。

  • 计算张量沿着指定维度的平均值
    • 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)

代码示例

  1. import tensorflow as tf
  3. x = tf.constant([[1, 2, 3], [2, 2, 3]])
  4. print("x:", x)
  5. print("mean of x:", tf.reduce_mean(x)) # 求x中所有数的均值
  6. print("sum of x:", tf.reduce_sum(x, axis=1)) # 求每一行的和
import tensorflow as tf

x = tf.constant([[1, 2, 3], [2, 2, 3]])
print("x:", x)
print("mean of x:", tf.reduce_mean(x))          # 求x中所有数的均值
print("sum of x:", tf.reduce_sum(x, axis=1))    # 求每一行的和

运行结果

变量tf.Variable

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)

神经网络初始化参数w的代码：

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

tf.random.norma([2, 2] 可以生成服从正态分布的随机数。后面就可以用梯度下降更新参数。

TensorFlow中的数学运算

  • 对应元素的四则运算: 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

对应元素的四则运算

  • 实现两个张量的对应元素相加
    • 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)
  • 实现两个张量的对应元素相乘
    • tf.multiply (张量1,张量2)
  • 实现两个张量的对应元素相除
    • tf.divide (张量1，张量2)

注意：只有维度相同的张量才可以做四则运算

代码示例：

  1. import tensorflow as tf
  3. a = tf.ones([1, 3])
  4. b = tf.fill([1, 3], 3.)
  5. print("a:", a)
  6. print("b:", b)
  7. print("a+b:", tf.add(a, b))
  8. print("a-b:", tf.subtract(a, b))
  9. print("a*b:", tf.multiply(a, b))
  10. print("b/a:", tf.divide(b, a))
import tensorflow as tf

a = tf.ones([1, 3])
b = tf.fill([1, 3], 3.)
print("a:", a)
print("b:", b)
print("a+b:", tf.add(a, b))
print("a-b:", tf.subtract(a, b))
print("a*b:", tf.multiply(a, b))
print("b/a:", tf.divide(b, a))

运行结果

平方、次方与开方

  • 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次方数)
  • 计算某个张量的开方
    • tf.sqrt (张量名)

代码示例：

  1. import tensorflow as tf
  3. a = tf.fill([1, 2], 3.)
  4. print("a:", a)
  5. print("a的平方:", tf.pow(a, 3))
  6. print("a的平方:", tf.square(a))
  7. print("a的开方:", tf.sqrt(a))
import tensorflow as tf

a = tf.fill([1, 2], 3.)
print("a:", a)
print("a的平方:", tf.pow(a, 3))
print("a的平方:", tf.square(a))
print("a的开方:", tf.sqrt(a))

运行结果：

矩阵乘

实现两个矩阵的相乘

tf.matmul(矩阵1，矩阵2)

代码示例：

  1. import os
  2. os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 关闭log信息
  4. import tensorflow as tf
  6. a = tf.ones([3, 2])
  7. b = tf.fill([2, 3], 3.)
  8. print("a:", a)
  9. print("b:", b)
  10. print("a*b:", tf.matmul(a, b))
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 关闭log信息

import tensorflow as tf

a = tf.ones([3, 2])
b = tf.fill([2, 3], 3.)
print("a:", a)
print("b:", b)
print("a*b:", tf.matmul(a, b))

运行结果：

传入特征与标签

神经网络训练模型的时候是把特征和标签配对喂入网络的。所以需要切分。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

特征标签配对函数：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)

代码示例：

  1. import os
  2. os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 关闭log信息
  4. import tensorflow as tf
  6. features = tf.constant([12, 23, 10, 17])
  7. labels = tf.constant([0, 1, 1, 0])
  8. dataset = tf.data.Dataset.from_tensor_slices((features, labels))
  9. for element in dataset:
  10. print(element)
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 关闭log信息

import tensorflow as tf

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

运行结果

函数对指定参数求导gradient

with结构记录计算过程，gradient求 出张量的梯度

with tf.GradientTape() as tape:
若千个计算过程
grad=tape.gradient(函数，对谁求导)

代码示例，对函数x^2求x的导数 ∂w2∂w=2w=2∗3.0=6.0

  1. import os
  2. os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 关闭log信息
  4. import tensorflow as tf
  6. with tf.GradientTape() as tape:
  7. x = tf.Variable(tf.constant(3.0))
  8. y = tf.pow(x, 2)
  9. grad = tape.gradient(y, x)
  10. print(grad)
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 关闭log信息

import tensorflow as tf

with tf.GradientTape() as tape:
    x = tf.Variable(tf.constant(3.0))
    y = tf.pow(x, 2)
grad = tape.gradient(y, x)
print(grad)

运行结果

枚举元素enumerate

enumerate是python的内建函数，它可遍历每个元素(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)

代码示例：

  1. seq = ['one', 'two', 'three']
  2. for i, element in enumerate(seq):
  3. print(i, element)
seq = ['one', 'two', 'three']
for i, element in enumerate(seq):
    print(i, element)

运行结果：

独热编码

独热编码(Cone-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。

标签为1的独热编码为：

0狗尾草鸢尾 1杂色鸢尾 2弗吉尼亚鸢尾
0 1 0

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)

代码示例：

  1. import os
  2. os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 关闭log信息
  4. import tensorflow as tf
  6. classes = 3
  7. labels = tf.constant([1, 0, 2]) # 输入的元素值最小为0，最大为2
  8. output = tf.one_hot(labels, depth=classes)
  9. print("result of labels1:", output)
  10. print("\n")
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 关闭log信息

import tensorflow as tf

classes = 3
labels = tf.constant([1, 0, 2])  # 输入的元素值最小为0，最大为2
output = tf.one_hot(labels, depth=classes)
print("result of labels1:", output)
print("\n")

运行结果

使输出符合概率分布（归一化）

tf.nn.softmax(x)把一个N*1的向量归一化为（0，1）之间的值，由于其中采用指数运算，使得向量中数值较大的量特征更加明显。 Softmax(yi)=eyi∑j=0neyi tf.nn.softmax(x)使输出符合概率分布

当n分类的n个输出(yo, y1…… yn_1)通过softmax( )函数，便符合概率分布，所有的值和为1。 ∀xP(X=x)∈[0,1] 且 ∑xP(X=x)=1

以上结果表明，符合第0号标签的概率是25.6%；1号标签的概率是69.5%；2号标签的概率是4.8%。

代码示例：

  1. import os
  2. os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 关闭log信息
  4. import tensorflow as tf
  6. y = tf.constant([1.01, 2.01, -0.66])
  7. y_pro = tf.nn.softmax(y)
  9. print("After softmax, y_pro is:", y_pro) # y_pro 符合概率分布
  11. print("The sum of y_pro:", tf.reduce_sum(y_pro)) # 通过softmax后，所有概率加起来和为1
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 关闭log信息

import tensorflow as tf

y = tf.constant([1.01, 2.01, -0.66])
y_pro = tf.nn.softmax(y)

print("After softmax, y_pro is:", y_pro)            # y_pro 符合概率分布

print("The sum of y_pro:", tf.reduce_sum(y_pro))    # 通过softmax后，所有概率加起来和为1

运行结果：

参数自更新

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w为可训练(可自更新)。

w.assign_ sub (w要自减的内容)

代码示例：

  1. import os
  2. os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 关闭log信息
  4. import tensorflow as tf
  6. x = tf.Variable(4)
  7. x.assign_sub(1)
  8. print("x:", x) # 4-1=3
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 关闭log信息

import tensorflow as tf

x = tf.Variable(4)
x.assign_sub(1)
print("x:", x)  # 4-1=3

运行结果

指定维度最大值索引

返回张量沿指定维度最大值的索引

tf.argmax (张量名,axis=操作轴)

代码示例：

  1. import os
  2. os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 关闭log信息
  4. import numpy as np
  5. import tensorflow as tf
  7. test = np.array([[1, 2, 3], [2, 3, 4], [5, 4, 3], [8, 7, 2]])
  8. print("test:\n", test)
  9. print("每一列的最大值的索引：", tf.argmax(test, axis=0)) # 返回每一列最大值的索引
  10. print("每一行的最大值的索引", tf.argmax(test, axis=1)) # 返回每一行最大值的索引
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 关闭log信息

import numpy as np
import tensorflow as tf

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

运行结果：

鸢尾花数据集读入

数据集介绍

共有数据150组，每组包括花尊长、花尊宽、花瓣长、花瓣宽4个输入特征。同时给出了，这组特征对应的鸢尾花 类别。类别包括Setosa Iris (狗尾草鸢尾)，Versicolour lris (杂色鸢尾)，Virginica Iris (弗吉尼亚鸢尾)三类，分别用数字0，1，2表示。

读取数据集代码

  1. from sklearn import datasets
  2. from pandas import DataFrame
  3. import pandas as pd
  5. x_data = datasets.load_iris().data # .data返回iris数据集所有输入特征
  6. y_data = datasets.load_iris().target # .target返回iris数据集所有标签
  7. print("x_data from datasets: \n", x_data)
  8. print("y_data from datasets: \n", y_data)
  10. 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）
  11. pd.set_option('display.unicode.east_asian_width', True) # 设置列名对齐
  12. print("x_data add index: \n", x_data)
  14. x_data['类别'] = y_data # 新加一列，列标签为‘类别’，数据为y_data
  15. print("x_data add a column: \n", x_data)
  17. #类型维度不确定时，建议用print函数打印出来确认效果
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)

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
    • 生成训练集和测试集(即x_ train/y train, x_ test/y_ test)
    • 配成(输入特征，标签)对，每次读入一小撮(batch)
  2. 搭建网络
    • 定义神经网路中所有可训练参数
  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

代码示例：

  1. # -*- coding: UTF-8 -*-
  2. # 利用鸢尾花数据集，实现前向传播、反向传播，可视化loss曲线
  4. # 导入所需模块
  5. import tensorflow as tf
  6. from sklearn import datasets
  7. from matplotlib import pyplot as plt
  8. import numpy as np
  10. """
  11. 数据集读入
  12. """
  13. # 导入数据，分别为输入特征和标签
  14. x_data = datasets.load_iris().data
  15. y_data = datasets.load_iris().target
  17. """
  18. 数据集乱序
  19. """
  20. # 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）
  21. # 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）
  22. np.random.seed(116) # 使用相同的seed，保证输入特征和标签一一对应
  23. np.random.shuffle(x_data)
  24. np.random.seed(116)
  25. np.random.shuffle(y_data)
  26. tf.random.set_seed(116)
  28. """
  29. 数据集分出永不相见的训练集和测试集
  30. """
  31. # 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
  32. x_train = x_data[:-30]
  33. y_train = y_data[:-30]
  34. x_test = x_data[-30:]
  35. y_test = y_data[-30:]
  37. """
  38. 配成[输入特征, 标签]对，每次喂入一小撮（batch）
  39. """
  40. # 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
  41. x_train = tf.cast(x_train, tf.float32)
  42. x_test = tf.cast(x_test, tf.float32)
  44. # 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）
  45. train_db = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32)
  46. test_db = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)
  48. """
  49. 定义神经网络中所有可训练的参数
  50. """
  51. # 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
  52. # 用tf.Variable()标记参数可训练
  53. # 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）
  54. w1 = tf.Variable(tf.random.truncated_normal([4, 3], stddev=0.1, seed=1))
  55. b1 = tf.Variable(tf.random.truncated_normal([3], stddev=0.1, seed=1))
  57. lr = 0.1 # 学习率为0.1
  58. 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
  59. 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
  60. epoch = 500 # 循环500轮
  61. loss_all = 0 # 每轮分4个step，loss_all记录四个step生成的4个loss的和
  63. """
  64. 嵌套循环迭代，with结构更新参数，显示当前loss
  65. """
  66. # 训练部分
  67. for epoch in range(epoch): # 数据集级别的循环，每个epoch循环一次数据集
  68. for step, (x_train, y_train) in enumerate(train_db): # batch级别的循环 ，每个step循环一个batch
  69. with tf.GradientTape() as tape: # with结构记录梯度信息
  70. y = tf.matmul(x_train, w1) + b1 # 神经网络乘加运算
  71. 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）
  72. 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
  73. loss = tf.reduce_mean(tf.square(y_ - y)) # 采用均方误差损失函数mse = mean(sum(y-out)^2)
  74. 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
  75. # 计算loss对各个参数的梯度
  76. grads = tape.gradient(loss, [w1, b1])
  78. # 实现梯度更新 w1 = w1 - lr * w1_grad b = b - lr * b_grad
  79. w1.assign_sub(lr * grads[0]) # 参数w1自更新
  80. b1.assign_sub(lr * grads[1]) # 参数b自更新
  82. # 每个epoch，打印loss信息
  83. print("Epoch {}, loss: {}".format(epoch, loss_all/4))
  84. train_loss_results.append(loss_all / 4) # 将4个step的loss求平均记录在此变量中
  85. loss_all = 0 # loss_all归零，为记录下一个epoch的loss做准备
  87. """
  88. 计算当前参数前向传播后的准确率
  89. """
  90. # 测试部分
  91. # 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
  92. total_correct, total_number = 0, 0
  93. for x_test, y_test in test_db:
  94. # 使用更新后的参数进行预测
  95. y = tf.matmul(x_test, w1) + b1
  96. y = tf.nn.softmax(y)
  97. pred = tf.argmax(y, axis=1) # 返回y中最大值的索引，即预测的分类
  98. # 将pred转换为y_test的数据类型
  99. pred = tf.cast(pred, dtype=y_test.dtype)
  100. # 若分类正确，则correct=1，否则为0，将bool型的结果转换为int型
  101. correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)
  102. # 将每个batch的correct数加起来
  103. correct = tf.reduce_sum(correct)
  104. # 将所有batch中的correct数加起来
  105. total_correct += int(correct)
  106. # 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
  107. total_number += x_test.shape[0]
  108. # 总的准确率等于total_correct/total_number
  109. acc = total_correct / total_number
  110. test_acc.append(acc)
  111. print("Test_acc:", acc)
  112. print("--------------------------")
  114. """
  115. acc/loss可视化
  116. """
  117. # 绘制 loss 曲线
  118. plt.title('Loss Function Curve') # 图片标题
  119. plt.xlabel('Epoch') # x轴变量名称
  120. plt.ylabel('Loss') # y轴变量名称
  121. plt.plot(train_loss_results, label="$Loss$") # 逐点画出trian_loss_results值并连线，连线图标是Loss
  122. plt.legend() # 画出曲线图标
  123. plt.show() # 画出图像
  125. # 绘制 Accuracy 曲线
  126. plt.title('Acc Curve') # 图片标题
  127. plt.xlabel('Epoch') # x轴变量名称
  128. plt.ylabel('Acc') # y轴变量名称
  129. plt.plot(test_acc, label="$Accuracy$") # 逐点画出test_acc值并连线，连线图标是Accuracy
  130. plt.legend()
  131. plt.show()
# -*- 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

"""
数据集读入
"""
# 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

"""
数据集乱序
"""
# 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)

"""
数据集分出永不相见的训练集和测试集
"""
# 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:]

"""
配成[输入特征, 标签]对，每次喂入一小撮（batch）
"""
# 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)

"""
定义神经网络中所有可训练的参数
"""
# 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

"""
嵌套循环迭代，with结构更新参数，显示当前loss
"""
# 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

"""
计算当前参数前向传播后的准确率
"""
# 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("--------------------------")

"""
acc/loss可视化
"""
# 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()


参考资料：
https://www.bilibili.com/video/BV1Cg4y1q7Xq
https://github.com/dxc19951001/Study_TF2.0/blob/master/tensorflow2.md

作者： 高志远

高志远，24岁，男生

《人工智能实践：Tensorflow笔记——初识TensorFlow》有4条评论

      1. epoch包含验证集和测试集的循环。在页面的代码，测试集的循环没在epoch循环里面

        回复

    2. epoch包含验证集和测试集的循环。在页面的代码，测试集的循环没在epoch循环里面

      回复

发表评论

邮箱地址不会被公开。