说明：这篇文章来自 2020-2021 年的 WordPress 备份。原始图片附件未随 XML 一起保存，旧服务器图片地址也已失效，因此这里保留正文并移除了失效图片。

一、TF2常用函数

1 tf.Variable

#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))

2 tf.constant

#创建一个张量 tf.constant(张量内容, dtype = 数据类型)
a = tf.constant([[[1,3],[2,5]]], dtype=tf.int64)

3 tf.convert_to_tensor

将numpy的数据类型转换为Tensor数据类型

a = np.arange(0, 5)
b = tf.convert_to_tensor(a, dtype=tf.int64)
#print("a:", a) 结果[0 1 2 3 4]

4 tf.zeros/ones/fill

创建指定元素的张量

a = tf.zeros([2, 3])
b = tf.ones(4)
c = tf.fill([2, 2], 9)

5 tf.random.normal/truncated_normal

生成符合正太分布的随机数

#生成符合正态分布的随机数,默认均值为0，标准差为1
d = tf.random.normal([3,3,3], mean = 0.5, stddev = 1)
#截断式正态分布的随机数，取值在（u-2x, u+2x）之内，更集中
e = tf.random.truncated_normal([3,3,3],mean = 0.5, stddev = 1)

6 tf.random.uniform

生成平均分布随机数

#minval和maxval之间的平均分布
f = tf.random.uniform([2,2],minval= 0, maxval = 1)

7 tf.constant

强制类型转化

x1 = tf.constant([1., 2., 3.], dtype=tf.float64)
print("x1:", x1)
x2 = tf.cast(x1, tf.int32)   #强制类型转换
print("x2", x2)

8 tf.reduce_mean/sum

求和/均值

x = tf.constant([[1, 2, 3], [2, 2, 3]])
print("x:", x)
print("mean of x:", tf.reduce_mean(x))  # 求x中所有数的均值
print("sum of x:", tf.reduce_sum(x, axis=1))  # 求每一行的和

9 tf.add/subtract/multiply/divide

四则运算

a = tf.ones([1, 3])
b = tf.fill([1, 3], 3.)
#四则运算（只有维度相同才可以做四则运算）
print("a+b:", tf.add(a, b))
print("a-b:", tf.subtract(a, b))
print("a*b:", tf.multiply(a, b))
print("b/a:", tf.divide(b, a))

10 tf.pow/square/sqrt

数学运算

a = tf.fill([1, 2], 3.)
print("a的3次方:", tf.pow(a, 3))  #tf.pow(x, n) x的n次方
print("a的平方:", tf.square(a))
print("a的开方:", tf.sqrt(a))

11 tf.matmul

矩阵相乘

a = tf.ones([3, 2])
b = tf.fill([2, 3], 3.)
# tf.matmul(a,b)  矩阵a，b相乘
print("a*b:", tf.matmul(a, b))

12 tf.data.Dataset.from_tensor_slices

标签配对

features = tf.constant([12, 23, 10, 17])   #特征
labels = tf.constant([0, 1, 1, 0])     #标签
#  特征和标签配对的函数，numpy和Tensor格式都可用该语句读入数据
dataset = tf.data.Dataset.from_tensor_slices((features, labels))
print(dataset)
for element in dataset:
    print(element)
#结果
#<TensorSliceDataset shapes: ((), ()), types: (tf.int32, tf.int32)>
#(<tf.Tensor: shape=(), dtype=int32, numpy=12>, <tf.Tensor: shape=(), dtype=int32, numpy=0>)
#(<tf.Tensor: shape=(), dtype=int32, numpy=23>, <tf.Tensor: shape=(), dtype=int32, numpy=1>)
#(<tf.Tensor: shape=(), dtype=int32, numpy=10>, <tf.Tensor: shape=(), dtype=int32, numpy=1>)
#(<tf.Tensor: shape=(), dtype=int32, numpy=17>, <tf.Tensor: shape=(), dtype=int32, numpy=0>)

13 tf.GradientTape

函数对指定参数的求导

#可用tf.GradientTape()实现某个函数对指定参数的求导运算
with tf.GradientTape() as tape:   #with结构记录计算过程，gradient求出张量梯度
    w = tf.Variable(tf.constant(3.0))   #待训练参数,用Variable将变量标记为可训练
    loss = tf.pow(w, 2)
grad = tape.gradient(loss, w)    #loss：函数， w：对谁求导
print(grad)
#结果
#tf.Tensor(6.0, shape=(), dtype=float32)       loss对w求导=2w，w= 3., 2w = 6.

14 tf.one_hot 独热码

#独热码：分类问题中，常用独热码做标签，标记类别：1表示是，0表示非
#例
#        0白  1黑  2灰
#标签     1
#独热码（ 0.   1.   0.)
#tf.one_hot(待转换数据，depth=几分类)
classes = 3  #三分类
labels = tf.constant([1, 0, 2])  # 输入的元素值最小为0，最大为2
output = tf.one_hot(labels, depth=classes)   #独热码
print("result of labels1:", output)
#结果：
'''result of labels1: tf.Tensor(
[[0. 1. 0.]
 [1. 0. 0.]
 [0. 0. 1.]], shape=(3, 3), dtype=float32)'''

15 tf.assign_sub 自减

#调用assign_sub前，先用tf.Variable定义变量w为可训练
x = tf.Variable(4)
# assign_sub自减
x.assign_sub(1)
print("x:", x)  # 4-1=3

16 tf.argmax/argmin 最值索引

test = np.array([[1, 2, 3], [2, 3, 4], [5, 4, 3], [8, 7, 2]])
print("每一列的最大值的索引：", tf.argmax(test, axis=0))  # 返回每一列最大值的索引：tf.Tensor([3 3 1], shape=(3,), dtype=int64)
print("每一行的最大值的索引", tf.argmax(test, axis=1))  # 返回每一行最大值的索引：tf.Tensor([2 2 0 0], shape=(4,), dtype=int64)

二、神经网络设计过程

概念

  1. MP模型：每个输入特征乘以线上的权重，再通过一个非线性函数，得到输出

  2. 简化MP模型：在输入特征乘以线上的权重之后加上偏置项b。y = x * w + b

  3. 损失函数：预测值（y）与标准答案（y_）的差距 损失函数可以定量判断w，b的优劣，当损失函数输出最小值时，参数w、b会出现最优值 训练神经网络的过程就是找到一组参数w、b，使得损失函数最小。

  4. 梯度下降法：延损失函数梯度下降的方向寻找损失函数的最小值，得到最优参数的方法。 梯度更新： w1 = w1 - lr w1_grad ，w1_grad为损失函数对于w1的偏导（梯度） b = b - lr b_grad ，b_grad损失函数对于b的偏导（梯度） lr: 学习率，梯度下降的速度，是一个超参数，过小将使得收敛过程变得十分缓慢，过大可能造成梯度在最小值附近震荡，甚至无法收敛

过程

  1. 初始化：首先根据输入数据的维度和输出结果的维度确定模型参数w、b的维度，随机初始化所有参数

  2. 前向传播：将训练集数据带入模型，计算出结果，如图所示

  3. 通过损失函数计算出预测值与真实值的差距

  4. 反向传播（梯度下降法）：从后向前，逐层求损失函数对每层神经元参数的偏导数，迭代更新所有参数，一直到损失函数达到最小值

  5. 测试：将测试集数据带入训练好的模型，将预测值与真实值比较并计算准确率

三、实例_利用鸢尾花数据集，实现前向传播、反向传播，可视化loss曲线

运用上述函数及过程方法，实现对于鸢尾花的分类模型 代码如下：

# -*- 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）喂入神经网络会以batch为单位喂入


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
y = tf.matmul(x_train, w1) + b1  # 神经网络乘加运算
y = tf.nn.softmax(y)  # 使输出y(预测值)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(标准答案)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
    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()

结果如下：

经过185次迭代，使得模型分类的准确率达到100%

损失函数曲线如图：

准确率变化曲线如图：