机器学习--0.0

闲话

机器学习终于开坑了!!

机器学习当然要tensorflow+gpu啦(可我没有/(ㄒoㄒ)/~~)

学学基础tensorflow+cpu应该也可以吧

之前是直接看吴恩达的视频,那些算法原理懂了个大概,结果发现根本就无法实现...也无法理解 tf 里面那些函数的作用(后来发现是tensorflow的锅

所以这次准备再系统学习一遍

找基于tf 2 做机器学习的资源找了好半天

最后感觉还是这个视频讲的最详细 虽然还是tensorflow 1.x

https://www.bilibili.com/video/BV1ua4y1t7Ws?

他是先一步步手码实现实战实例,之后再用tf的函数来进行简化,更好让人理解原理和实现

tensorflow2.x的代码可以网上找

下面是正文


函数功能

只列举一部分。 需要的时候谁会看这个?直接搜索引擎不好吗

其实tf和numpy基础功能也差不多,用tf 2 也是为了更好和numpy兼容|更方便

  • tf.zeros(shape,dtype=tf.float32) 全0

  • tf.zeros_like(x) 直接根据x的dim来创建 0 matrix <==> tf.zeros(x.shape)

  • tf.ones(shape,dtpye=tf.float32) 全1

  • tf.ones(x) 创建一个标量|dim=0

  • tf.ones([])\ 创建一个 1*1的向量,值为 x

  • tf.ones([x])** 创建向量 shape=x

  • tf.math.log :以e为底的对数函数

  • tf.exp :指数函数

  • tf.uniform(shape,minval,maxval,dtpye) 均匀变化的数组

  • tf.random.normal(shape,mean(均值默认0),stddev(方差默认1))

  • tf.fill(dim,value) 填充数字

  • tf.random.shuffle(x) 将 x数组 随机打乱

上面这些都和numpy没啥区别

  • tf.gather(a,axis,idx) axis可以指定轴,然后这个轴按照idx这个list中的顺序取a的数据**

a.shape=[4,2,3,1] idx=[1,0,0,2]

a.shape=[2,4,4,3]

  • tf.constant(value,shape) 填充常数数字

  • 返回维度

    x.ndim

  • 类型转换

    # numpy转化为tensor
    xxx=tf.covert_to_tensor(name,dtype) 
    # 转换为numpy
    x.numpy()
    # 判断是否为tensor类型 
    tf.is_tensor(x)
    # dataframe类型转换为 onehot
    data=pd.get_dummies(data,prefix=data.colums)
    # tf类型转onehot
    # dep是data中最大的数字+1
    data=tf.onehot(data,depth=)
    
  • shape|dim 操作

    # 将x张量 变成shape形
    tf.reshape(xx,shape) 
    # -1代表这个维度的所有
    tf.reshape(xx,[-1,xxx])
    # 将x转化为1*depth的one_hot向量
    tf.one_hot(x,depth)
    # xx张量增加第axis个维度(axis是从0开始)
    tf.expand_dim(xx,axis)
    
    
    # 感觉这后面的都不常用了
    
    tf.transpose(a,vector(如[x1,x2,x3,x4]))
    # 相当于将原来图像做变换
    # 比如原来是[n,h,w,c] vector=[0,3,2,1]
    # ==> [n,c,w,h] 这样可以使content不改变 '实质'
    
    # 将xx张量按axis和list分割成其他的张量
    tf.split(xx,list,axis) 
    
    # xi是张量,axis 表示张量在哪个轴上拼接
    tf.concat([x1,x2,xn],axis) 
    # 例如axis=0,则 [[x1],[x2]],axis=1,[[x1,x2]]
    
    # 删去axis轴
    tf.squeeze(x,axis) 
    # 例如 axis=0,xx=[[x1],[x2],[x3],[x4]],list=[1:2:1]
    # output:[x1] [[x2],[x3]] [x4]
    # 如果list是一个数代表平均分为list个张量
    
    

机器学习中维度的'含义'

dim=3

句子:一共有几个句子,每个句子有几个单词,每个单词被看作多少维向量

[num,len,vector_dim]

dim=4
二维卷积必须是四维
照片:一共有多少张照片,每个照片的大小(h,w),有几个通道

[num,height,weight,channel]

dim=5 |不太懂...

就是把一个总任务分割成了多个任务同时处理,每次处理的个数就成了第一维

[batch,num,h,w,rgb]


卷积神经网络 CNN

基本参数概念

filter

俗称卷积核:要设定长宽,但这个具体数值是后面自己学习来的,类似于神经网络中的 w(权值)

卷积核的长宽除了第一次是自己设定,后面都会有求解的公式

一般卷积核和input的二维数组都是正方形所以K=W1=H1

**卷积核大小 F 步长 S 边界填充P 卷积核个数K **

W2 = (W1 -F +2*P)/S+1

H2=(H2-F+2*P)/S+1

厚度=K 这个是忽略输入本身厚度 比如输入的彩色图片厚度是3,但是 K=10 厚度不是30还是10

但是 padding=same的话宽高是可以不变的,因为是自动选取padding,少了会自动设置padding使w不变

tensroflow2.x 都自动帮你计算好了,''随便'' 配置都行,甚至都不要你自己变onehot编码

stride

步长:就是卷积核在input的二维数组上移动的长度

padding

因为卷积核在提取特征的时候边缘必然会比中心提取的‘更少’,边缘权值变相的减少了,所以需要加入padding这个参数

来维持边缘边缘被提取的次数与中心相同

padding=1可以视为在外面围一圈0,padding=2... 以此类推

pool

池化:简单理解就是把特征的长宽进一步压缩

有max_pooling和 averge_pooling
一般分类问题max_pool会更好

一般卷积步骤

input -> conv -> relu ->pool (这三步重复任意次) -> FC (全连接层) -> output

卷积层数是不包括pooling层的,并且conv和relu只算一层,一个FC单独算一层,最后output也算FC只不过不同人叫法不一样

一般经典网络架构分析

目前通过 看这个视频了解到了alax net和vgg net 的优劣区别?

posted @ 2020-07-12 11:19  Sakura_Momoko  阅读(218)  评论(0编辑  收藏  举报