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?