tensorflow学习笔记
一、TensorFlow中低阶API的使用
（1）导入TensorFlow，测试版本，并打印一个tf常量，获取常量的值。
（2）TensorFlow常量的使用
import tensorflow as tf t_1=tf.constant(2) t_2=tf.constant(2) #常量相加 t_add=tf.add(t_1,t_2) t_3=tf.constant([4,3,2]) #定义一个形状为【M,N】的全0张量和全1张量 zeros=tf.zeros(shape=[3,3]) ones=tf.ones(shape=[3,3])
（3）张量（tensor）的属性
TensorFlow程序使用tensor数据结构来代表所有数据，计算途中，操作间传递的数据都是tensor。我们可以把张量看作是一个n维数组或列表。在TensorFlow2.x中，张量的形状、类型和值都可以通过shape、dtype、numpy（）方法获得。
import tensorflow as tf a=tf.constant([[1.0,2.0],[3.0,4.0]]) print(a.shape) print(a.dtype) print(a.numpy())
代码结果如下：
（4）TensorFlow的基础运算操作
import tensorflow as tf print(tf.add(1,2))#0维张量相加 print(tf.add([1,2],[3,4]))#一维张量相加 print(tf.matmul([[1,2,3]],[[4],[5],[6]]))#矩阵相乘 print(tf.square(5))#计算5的平方 print(tf.pow(2,3))#计算2的3次方 print(tf.square(2)+tf.square(3)) print(tf.reduce_sum([1,2,3]))#计算数值的和 print(tf.reduce_mean([1,2,3]))#计算均值
运行结果：
（5）TensorFlow的卷积函数使用
optimizer=tf.keras.optimizers.SGD(learning_rate=5e-4) #基础的随机下降梯度算法 optimizer=tf.keras.optimizers.Adam(learning_rate=5e-4) #使用最多的Adam算法
（6）低阶API实现线性回归
from matplotlib import pyplot as plt
import numpy as np
import tensorflow as tf
# 给定散点样本
x = np.array([0.12, 0.21, 0.32, 0.41, 0.51, 0.62, 0.73, 0.86, 0.97, 0.99])
y = np.array([0.53, 0.57, 0.63, 0.70, 0.79, 0.91, 1.05, 1.246, 1.42, 1.51])
class Model(object): # 定义模型类
def __init__(self):
self.a = tf.Variable(tf.random.uniform([1])) # 随机初始化参数
self.b = tf.Variable(tf.random.uniform([1]))
self.c = tf.Variable(tf.random.uniform([1]))
def __call__(self, x):
return self.a * x * x + self.b * x + self.c
# a*x^2 + b*x + c
def loss_fn(model, x, y): # 定义损失函数
y_ = model(x)
return tf.reduce_mean(tf.square(y_ - y))
EPOCHS = 20 # 全部数据迭代 20 次
LEARNING_RATE = 0.1 # 学习率
model = Model() # 实例化模型
x = tf.constant(x, dtype=tf.float32) # 转换为张量
y = tf.constant(y, dtype=tf.float32) # 转换为张量
for epoch in range(EPOCHS): # 迭代次数
with tf.GradientTape() as tape: # 追踪梯度
loss = loss_fn(model, x, y) # 计算损失
da, db, dc = tape.gradient(loss, [model.a, model.b, model.c]) # 计算梯度
model.a.assign_sub(LEARNING_RATE * da) # 更新梯度
model.b.assign_sub(LEARNING_RATE * db)
model.c.assign_sub(LEARNING_RATE * dc)
X = tf.linspace(0.0, 1.0, 50)
plt.scatter(x, y)
plt.plot(X, model(X), c='r')
二、TensorFlow中高阶API的使用
（1）tf.keras构建模型
a.导入相关的库
import tensorflow as tf #导入tensorflow
b.读取数据集
(x_train, y_train),(x_test, y_test) = tf.keras.datasets.fashion_mnist.load_data()
c.对数据集进行预处理，提高训练效果
x_train = x_train / 255.0 x_test = x_test / 255.0
d.建立神经网络
model = tf.keras.models.Sequential() model.add(tf.keras.layers.Flatten()) model.add(tf.keras.layers.Dense(128,activation = 'relu')) model.add(tf.keras.layers.Dense(10, activation = 'softmax'))
(2)model.compile编译模型
model.compile(optimizer = tf.keras.optimizers.Adam(learning_rate = 0.01),
loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits = False),
metrics = ['sparse_categorical_accuracy'])
（3）model.fit训练模型
model.fit(x_train, y_train, epochs = 5, batch_size = 32)
（4）高阶API标准化搭建实例
#导入相关包
from sklearn.datasets import load_iris#导入数据集
from pandas import DataFrame
import pandas as pd
x_data=load_iris().data #返回iris数据集的所有输入
y_data=load_iris().target #返回iris数据集中所有标签
x_data=DataFrame(x_data,columns=['花萼长度','花萼宽度','花瓣长度','花萼宽度'])
pd.set_option('display.unicode.east_asian_width',True) #设置列名对其
x_data['类别']=y_data #添加一列，列标签为列表
x_data
运行结果：
（5）神经网络实现鸢尾花数据分类
1.准备数据
数据集读入
数据集乱序
生产训练集和测试集
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
# 导入所需模块
import tensorflow as tf
from sklearn import datasets
from matplotlib import pyplot as plt
%matplotlib inline
import numpy as np
# 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
# 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)
# 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:]
# 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)
# 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))
#定义超参数
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
# 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
# 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#计算前向传播预测结果
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
# 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("--------------------------")
# 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()
三、课后习题
浙公网安备 33010602011771号