【学习笔记】北京大学Tensorflow2.0 第一讲

学习视频:北京大学Tensorflow2.0

1 前言

（1）第一讲：神经网络的计算过程，搭建第一个神经网络模型

• 准备数据
• 搭建网络
• 优化参数
• 应用网络

（2）第二讲：神经网络的优化方法
掌握学习率、**函数、损失函数和正则化的使用。用Python写出SGD、Momentum、Adagrad、RMSProp、Adam五中反向传播优化器。
（3）第三讲：神经网络搭建八股、用六步法写出手写数字识别训练模型
（4）第四讲：神经网络八股扩展、增加自制数据集、数据增强、断点续参数提取和acc、loss可视化，实现给图识物的应用程序。
（5）第五讲：卷积神经网络，用基础 CNN、Lenet、Alexnet、VGGNet、InceptionNet 和ResNet实现图像识别
（6）第六讲：循环神经网络：用基础RNN、LSTM、GRU实现股票预测。

2 人工只能三学派

（1）人工智能三个学派

• 行为主义：基于控制论，构建感知-动作控制系统
• 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，再求表达式
• 连接主义：仿生学，模仿神经元连接关系
  （2）放出神经网络连接关系
• 准备数据
• 搭建网络
• 优化参数：训练网咯获取最佳参数
• 应用网络

3 鸢尾花分类（Iris）

(1)鸢尾花

• 0够味草鸢尾花
• 1 杂色鸢尾花
• 2 弗吉尼亚鸢尾花
  
  

损失函数（loss function）：预测值（y）与标准答案（y_）的差距

（2）神经网络实现鸢尾花分类：梯度下降

• 目的：找到一组参数b和w，使得损失函数最小
• 梯度：函数对各个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：沿着损失函数梯度下降方向，寻找损失函数的最小值，得到参数的方法
• 学习率：当过小，收敛过慢，过大时，梯度可能会在最小值附近来回震荡，甚至无法收敛。
  反向传播：从后向前，逐层求损失函数的对每层神经元参数的偏导数，迭代更新所有参数。
  

import tensorflow as tf
# 初始值为5
w = tf.Variable(tf.constant(5, dtype=tf.float32))
print(w)
# 学习率
lr = 0.2
epoch = 40
for epoch 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100次迭代。
    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
    w.assign_sub(lr * grads)  # .assign_sub 对变量做自减 即：w -= lr*grads 即 w = w - lr*grads
    print("After %s epoch,w is %f,loss is %f" % (epoch, w.numpy(), loss))
# lr初始值：0.2   请自改学习率  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

4 张量生成

（1）tensor:多维数组（列表）阶：张量的维度
标量scalar：s = 1 2 3
一阶向量vector：v = [1 2 3]
二阶矩阵matrix： m = [[1,2,3],[4,5,6],[7,8,9]]
N阶张量Tensor：t = [[[… n个

（2）数据类型

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

（3）创建tensor

• tf.constant(张量内容 ,dtype = 数据类型（可选）)
  inport tensorflow as tf

# 一维张量，两个元素
a = tf.constant([1,5],dtype = tf.int64)
print(a)
print(a.dtype)
print(a.shape)
# 输出shape = (2,)一个逗号表示一维张量，两个元素

• 转换成tensor格式

inport tensorflow as tf
import numpy as np
a = np.arange(0,5)
b = tf.convert_to_tensor(a,dtype = tf.int64)
print(a)
print(b)

• 创建全为0-1-指定值的张量

# 全为0
a = tf.zeros([2,3])
# 全为1
b = tf.ones(4)
# 全为指定值
c = tf.fill([2,2],9)

• 随机生成符合正态分布的随机数张量

# 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)

• 生成均匀分布随机数张量

tf.random.uniform(维度,minval = 最小值,maxval = 最大值)
# 前闭后开区间
f = tf.random.uniform([2,2],minval=0,maxval=1)

5 tensorflow常用函数

（1）强制tensor转换为该数据类型

tf.cast(张量名，dtype= 数据类型)

（2）计算张量维度上元素的最小值

tf.reduce_min(张量名)

（3）计算张量维度上元素的最大值

tf.reduce_max(张量名)

（4）理解axis
指定执行维度

（5）计算张量沿着指定维度的平均值

tf.reduce_mean(张量名，axis = 操作轴)

（6）计算张量沿着指定维度的和

tf.reduce_sum(张量名，axis = 操作轴)

（7）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

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

（8）基本运算
• 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

（9）把数据集和标签配对的函数

tf.Dataset.from_tensor_slices

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.Dataset.from_tensor_slices((输入特征，标签))

numpy格式和tensor格式的数据都适用
（10）tf.GradientTape
with结构记录计算过程，gradient求出张量的梯度
with tf.GradientTape() as tape
若干个求导过程=
grad =tape.gradient(函数，对谁求导)

with tf.GradientTape() as tape
    w = tf.Variable(tf.constant(3,0))
    loss = tf.pow(w,2)
grad =tape.gradient(loss，w)
print(grad)

（11）enumerate
是Python的内建函数，它可以遍历每个元素（如列表、元祖或字符串）组合为：索引 元素，常在for循环中适用

enumetate(列表名)
seq = ['one','two','three']
for i ,element int enumetate(seq):
    print(i,element)

（12）tf.one_hot
独热编码，在分类问题中，常用独热码做标签
tf.one_hot(待转换数据，depth = 几分类)

classes = 3
labels = tf.constant([0,1,2])
output = tf.one_hot(labels.depth = clssses)
print(output)

（13）tf.nn.softmax
使得输出符合概率分布

（14）assign_sub
赋值操作，更新参数的值并返回
条用assign_sub前，先用tf.Variable定义变量w可为训练（可自更新）
w.assign_sub(w要自减的内容)

w = tf.Variable(4)]
w.assign_sub(1)
print(w)

（15）tf.argmax
返回张量沿指定维度最大值的索引
tf.argmax(张量名，axis=操作轴)

import numpy as np
test = np.array([[1,2,3],[2,3,4],[5,4,3],[8,7,2]])
print(test)
# 返回每列最大值的索引
print(tf.argmax(test,axis =0))
# 返回每行最大值的索引
print(tf.argmax(test,axis =1))

6 鸢尾花数据集读入

从sklearn包datasets读入数据集，语法

from sklearn.datasets import load_iris
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

完整代码

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)
# 变成表格的形式
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

7 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
• 生成训练集和测试机
• 配成特征标签对，每次读入一个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结构可更新参数，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

# -*- 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；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
# 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
            # 前向传播过程计算y
            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
            # 计算总loss
            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
        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()