tenorflow框架
基于tensorflow搭建NN的路径：用张量表示数据，用计算图搭建神经网络，用会话执行计算图，优化线上权重（参数），得到模型。
用ubuntu中anaconda装tensorflow
用source activate tf 激活环境
退出环境 source deactivate
对于一些不能编译的warning，可以屏蔽
vim ~/.bashrc
在最后一行加入
`export TF_CPP_MIN_LOG_LEVEL=2
降低tensorflow的提示等级
再在终端运行
source ~/.bashrc
使刚才的配置文件生效
张量（tensor)
数据类型：
tf.float32 , tf.int32，
tf.bool: tf.constant([True,False])
tf.string: tf.constant(“Hello, World!”)
创建张量
tf.constant(张量内容，dtype=数据类型)
全为0：tf.zeros(维度)
全为1：tf.ones(维度)
全为指定值：tf.fill(维度，指定值)
生成正态分布随机数：tf.random.normal(维度，mean=均值，stddev=标准差）
生成截断式正态分布随机数：tf.random.truncated_normal(维度，mean=均值，stddev=标准差)如果生成的数据，偏离当前均值两个标准差，将重新生成
生成均匀分布随机数：tf.random.uniform(维度,minval=最小值,maxval=最大值)
维度：
一维 直接写个数
二维 用 [行，列]
多维 用 [n,m,j,k,…]
查看类型：tensor.dtype
查看形状: tensor.shape
将numpy数据类型转换为Tensor数据类型:
tf.convert_to_tensor(数据名，dtype=数据类型)
常用函数
强制tensor类型转换
tf.cast(张量名，dtype = 数据类型）
计算张量维度上的最小元素
tf.reduce_min(张量名）
计算张量维度上的最大元素
tf.reduce_max(张量名）
axis指定操作的方向
axis=0表示纵向，跨行
axis=1表示横向，跨列
不指定axis，所有元素参与运算
返回某维度上最大值的索引号
tf.argmax(张量名，axis=操作轴)
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）
tf.Variable()将变量标记为可训练
tf.Variable(初始值）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
数学运算
加减乘除：tf.add(张量1，张量2）,tf.subtract(张量1，张量2）,tf.multipy(张量1，张量2）,tf.divide(张量1，张量2）
平方、次方与开方：tf.square(张量名),tf.pow（张量名,n次方数),tf.sqrt(张量名)
矩阵乘法：tf.matmul(矩阵1，矩阵2)
特征和标签配对
适用numpy格式和tensor格式
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
tf.data.Dataset.from_tensor_slices((输入特征，标签))
求张量梯度
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）
print(grad)
遍历每个元素
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。
seq = ['one', 'two', 'three']
for i,element in enumerate(seq)
print(i, element)
独热编码
tf.one_hot(带转换数据，depth=几分类)
Softmax
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
自更新，自减
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)
tf.where()
tf.where(条件语句，真返回A，假返回B)
生成随机数
np.random.RandomState.rand(维度，seed= ）
两个数组按垂直方向叠加
np.vstack(数组1，数组2）
生成网格坐标点
np.mgrid[起始值：结束值：步长，起始值：结束值：步长，...]
x.ravel()将x变成一维数组
np.c_[数组1，数组2，...]使返回的间隔数值点配对
鸢尾花分类
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
# -*- 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
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；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
# 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，并计算acc
# 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("--------------------------")
# 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()
神经网络优化
复杂度
空间复杂度=层数（隐藏层+输出层）+参数个数（总w+总b）
时间复杂度=乘加运算次数
学习率
激活函数
sigmoid
深层神经网络的求梯度需要多层链式求导，也就是多个0-0.25的数相乘，最终会趋于0，造成梯度消失，参数无法继续更新
我们希望输入每层神经网络的特征都是以0为均值的小数值，sigmoid的都是正数，会使收敛变慢
Tanh函数
Relu函数
Leaky Relu函数
建议
损失函数
均方误差MSE
loss_mse=tf.reduce_mean(tf.squre(y_-y))
自定义
交叉熵cross entropy
tf.losses.categorical_crossentropy(y_, y)
分类问题可以用softmax函数与交叉熵结合，输出先过softmax函数，再计算y与y_的交叉熵损失函数
tf.nn.softmax_cross_entropy_with_logits(y_, y)
缓解过拟合
欠拟合的解决办法：
1.增加输入特征项
2.增加网络参数
3.减少正则化参数
过拟合的解决办法：
1.数据清洗
2.增大训练集
3.采用正则化
4.增大正则化参数
正则化
神经网络参数优化器
不同的优化器，实际上只是定义了一阶动量和二阶动量的函数
随机梯度下降SGD
没有动量
SGDM
引入一阶动量
mt表示各时刻梯度方向的指数滑动平均，0时刻为0
Adagrad
在SGD基础上，引入二阶动量，可以对模型中的每一个参数分配自适应学习率了
RMSProp
在SGD基础上增加二阶动量
Adam
同时结合SGDM一阶动量和RMSProp二阶动量
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
