当前位置：网站首页>TensorFlow笔记——基本函数及概念

TensorFlow笔记——基本函数及概念

2022-07-27 10:18:00 【中意灬】

神经网络设计过程

TensorFlow基本概念

TensorFlow 是一个端到端开源机器学习平台。它拥有一个全面而灵活的生态系统，其中包含各种工具、库和社区资源，可助力研究人员推动先进机器学习技术的发展，并使开发者能够轻松地构建和部署由机器学习提供支持的应用，本文基于python对其TensorFlow进行了运用。

神经网络，也称为人工神经网络 (ANN) 或模拟神经网络 (SNN)，是机器学习的子集，并且是深度学习算法的核心。其名称和结构是受人类大脑的启发，模仿了生物神经元信号相互传递的方式

神经网络设计过程

准备数据集，数据量越大越好，要构成特征和标签对。
搭建神经网络结构，并通过反向传播不断优化，然后保存模型
用保存的模型通过前向传播进行数据预测

TensorFlow基本概念

TensorFlow中的Tensor表示张量，就是一个广义矩阵，可理解为一个多维数组或者列表，用阶表示张量的维数。0阶张量叫做标量，表示的是一个单独的数，如520；1阶张量叫做向量，即一维数组，如[5,2,0]；2阶张量叫做矩阵，即二维数组，如[[1,2,3],[4,5,6]]。

TensorFlow中数据类型有32位整型（tf.int32）、32位浮点（tf.float32）、64位浮点（tf.float64）、布尔型（tf.bool）、字符串型（tf.string）

基本函数

1.创建张量的方法

（1）tf.constant(张量内容，dype=数据类型（可选）)。第一个参数表示张量的内容，第二个参数表示张量的数据类型。

import tensorflow as tf
a=tf.constant([1,5],dtype=tf.int32)
print(a)
print(a.dtype)
print(a.shape)

运行结果：

tf.Tensor([1 5], shape=(2,), dtype=int32)
<dtype: 'int32'>
(2,)

(2) tf.conver_to_tensor(数据名，dtype=数据类型（可选）)。很多时候数据是由numpy格式给出的，此时可通过此函数将numpy格式转换成tensor格式

import numpy as np
a=np.arange(0,5)
b=tf.convert_to_tensor(a,dtype=tf.int32)
print(a)
print(b)

运行结果：

[0 1 2 3 4]
tf.Tensor([0 1 2 3 4], shape=(5,), dtype=int32)

(3) 不同函数创建不同值的张量。
 tf.zeros(维度) 创建全为0的张量，tf.ones(维度) 创建全为1的张量，tf.fill(维度，指定值) 创建全为指定值的张量。其中维度参数部分。如一维直接写个数，二维用[行，列]表示，多维同[n,m.....,j]表示。

a=tf.zeros([3,2])
b=tf.ones([2,3])
c=tf.fill(5,5)
print(a)
print(b)
print(c)

运行结果：

tf.Tensor(
[[0. 0.]
[0. 0.]
[0. 0.]], shape=(3, 2), dtype=float32)
tf.Tensor(
[[1. 1. 1.]
[1. 1. 1.]], shape=(2, 3), dtype=float32)
tf.Tensor([5 5 5 5 5], shape=(5,), dtype=int32)

 (4) 可采用不同函数创建符合不同分布的张量。
tf.random.normal(维度，mean=均值，stddev=标准差) 生成正态分布的随机数，默认均值为0，标准差为1。
tf.random.truncated_normal(维度，mean=均值，stddev=标准差) 生成截断式正太分布的随机数，能使生成的这些随机数更集中一些，如果随机生成数据的取值在（u-2δ,u+2δ）之外重新进行生成，保证了生成值在均值附近。
tf.random.uniform(维度，minval=最小值,maxval=最大值) 生成指定维度的均匀分布随机数，前闭后开。

a=tf.random.normal([2,3],mean=1,stddev=0.5)
b=tf.random.truncated_normal([3,2],mean=0.5,stddev=1)
c=tf.random.uniform([5],minval=2,maxval=5)
print(a)
print(b)
print(c)

运行结果：

tf.Tensor(
[[0.35723394 1.7715123 1.0449663 ]
[1.921211 0.81519336 1.103409 ]], shape=(2, 3), dtype=float32)
tf.Tensor(
[[ 1.159447 -1.1738222 ]
[ 1.274616 -0.376626 ]
[ 0.94688314 -0.39427286]], shape=(3, 2), dtype=float32)
tf.Tensor([2.7424078 2.5905833 2.175548 4.3003993 3.0624359], shape=(5,), dtype=float32)

2.数据类型转换

tf.cast(张量名，dtype=数据类型)强制将Tensor转换为该数据类型

x1=tf.constant([1.,2.,3.],dtype=tf.float32)
print(x1)
x2=tf.cast(x1,dtype=tf.int32)
print(x2)

运行结果：

tf.Tensor([1. 2. 3.], shape=(3,), dtype=float32)
tf.Tensor([1 2 3], shape=(3,), dtype=int32)

3.取张量中最小值与最大值

tf.reduce_min(张量名)计算张量维度上元素的最小值
tf.reduce_max(张量名)计算张量维度上元素的最大值

x=tf.constant([1.,2.,3.],dtype=tf.float32)
print(tf.reduce_min(x),tf.reduce_max(x))

运行结果：

tf.Tensor(1., shape=(), dtype=float32) tf.Tensor(3., shape=(), dtype=float32)

4.求和与平均值

tf.reduce_mean(张量名，axis=操作轴)计算张量沿着指定维度的平均值。
tf.reeduce_sum(张量名，axis=操作轴)计算张量沿着指定维度的和。    
如不指定axis，则表示对所有元素进行操作，axis=0表示对列，axis=1表达对行。

x=tf.constant([[5,2,0],[5,2,0,]])
print(x)
print(tf.reduce_mean(x))
print(tf.reduce_sum(x))

运行结果：

tf.Tensor(
[[1 2 3]
[1 2 3]], shape=(2, 3), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)
tf.Tensor(12, shape=(), dtype=int32)

5.标记变量为可训练

tf.Variable(initial_value,trainable,validata_shape,name)函数可将变量标记为“可训练”的，被它标记了的变量，会在反向传播中记录自己的梯度信息。
initi_value默认为None，表示可以后期被算法优化的，如果不想该变量被优化，即改为False
validate_shape=False默认为True，形状不接受更改，如果需要更改则改为False
name默认为None，给变量确定名称。

w=tf.Variable(tf.random.normal([3,3],mean=1,stddev=1))
# 表示随机生成正态分布随机数，再给生成的随机数标记为可训练的，
# 这样在反向传播中就可以通过梯度下降来更新参数w

6.四则运算（维度和类型应一致）

tf.add(张量1，张量2) 实现两个张量对应元素相加。

tf.subtract(张量1，张量2) 实现两个张量对应元素相减，前减后。

tf.multiply(张量1，张量2) 实现两个张量对应元素相乘。

tf.divide(张量1，张量2) 实现两个张量对应元素相除，前除后。

a=tf.ones([2,3])
b=tf.fill([2,3],3.)
print(a)
print(b)
print(tf.add(a,b))
print(tf.subtract(a,b))
print(tf.multiply(a,b))
print(tf.divide(a,b))

运行结果：

tf.Tensor(
[[1. 1. 1.]
[1. 1. 1.]], shape=(2, 3), dtype=float32)
tf.Tensor(
[[3. 3. 3.]
[3. 3. 3.]], shape=(2, 3), dtype=float32)
tf.Tensor(
[[4. 4. 4.]
[4. 4. 4.]], shape=(2, 3), dtype=float32)
tf.Tensor(
[[-2. -2. -2.]
[-2. -2. -2.]], shape=(2, 3), dtype=float32)
tf.Tensor(
[[3. 3. 3.]
[3. 3. 3.]], shape=(2, 3), dtype=float32)
tf.Tensor(
[[0.33333334 0.33333334 0.33333334]
[0.33333334 0.33333334 0.33333334]], shape=(2, 3), dtype=float32)

7.幂次运算

tf.square(张量名) 计算某个张量的平方

tf.pow(张量名,n次方数) 计算某个张量的n次方

tf.sqrt(张量名) 计算某个张量的开方

a=tf.fill([1,2],3.)
print(a)
print(tf.square(a))
print(tf.pow(a,3))
print(tf.sqrt(a))

运行结果：

tf.Tensor([[3. 3.]], shape=(1, 2), dtype=float32)
tf.Tensor([[9. 9.]], shape=(1, 2), dtype=float32)
tf.Tensor([[27. 27.]], shape=(1, 2), dtype=float32)
tf.Tensor([[1.7320508 1.7320508]], shape=(1, 2), dtype=float32)

8.矩阵相乘（数据类型应相同）

tf.matmul(矩阵1,矩阵2) 实现两个矩阵相乘

a=tf.ones([2,3])
b=tf.fill([3,1],2.)
print(a.dtype)
print(tf.matmul(a,b))

运行结果：

tf.Tensor(
[[6.]
[6.]], shape=(2, 1), dtype=float32)

9.自动生成特征/标签对

tf.data.Dataset.from_tensor_slices((输入特征,标签)) 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,此函数对Tensor格式与Numpy格式均适用,其切分的是第一维度,表征数据集中数据的数量,之后切分batch等操作都以第一维为基础。

features=tf.constant([12,23,10,17])
labels=tf.constant([0,1,1,0])
dataset=tf.data.Dataset.from_tensor_slices((features,labels))
print(dataset)
for element in dataset:
    print(element)

运行结果：

<TensorSliceDataset element_spec=(TensorSpec(shape=(), dtype=tf.int32, name=None), TensorSpec(shape=(), dtype=tf.int32, name=None))>
(<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>)

10.计算梯度

tf.GradientTape()搭配with结构计算损失函数在某一张量处的梯度

with tf.GradientTape() as tape:
    w=tf.Variable(tf.constant(3.0))
    loss=tf.pow(w,3)
grad=tape.gradient(loss,w)
print(grad)

运行结果：

tf.Tensor(27.0, shape=(), dtype=float32)

11.枚举

enumerate(列表名) 枚举出每一个元素,并在元素前配上对应的索引号,常在for循环中使用

seq=['one','two','three']
for i,element in enumerate(seq):
    print(i,element)

运行结果：

0 one
1 two
2 three

12.独热码转换

tf.one_hot(待转换数据,depth=几分类) 实现用独热码表示标签,在分类问题中很常见（待转换的类别要小于depth）即有个三分类问题,其分类结构由0,1,2,用独热码表示就是[1,0,0],[0,1,0],[0,0,1],如[1,0,0]表示,百分之百可能是类别0,百分之零可能是类别1,百分之零可能是类别2

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

运行结果：

tf.Tensor(
[[1. 0. 0.]
[0. 1. 0.]
[0. 0. 1.]], shape=(3, 3), dtype=float32)

13.输出值符合概率分布

tf.nn.softmax() 使前向传播的输出值符合概率分布,进而与独热码形式的标签作比较

y=tf.constant([1.31,2.13,-0.31])
y_pro=tf.nn.softmax(y)
print(y_pro)

运行结果：

tf.Tensor([0.28831747 0.6546249 0.05705766], shape=(3,), dtype=float32)

14.对参数实现自更新

assign_sub (自减) assign_add (自加)对参数实现自更新.使用此函数前需利用tf.Variable定义变量w为可训练(可自更新)。

w=tf.Variable(2)
w.assign_sub(1)
print(w)
w.assign_add(2)
print(w)

运行结果：

<tf.Variable 'Variable:0' shape=() dtype=int32, numpy=1>
<tf.Variable 'Variable:0' shape=() dtype=int32, numpy=3>

15.得到最大（小）值的索引

tf.argmax(张量名,axis=操作轴)axis=0->列,axis=1->行.返回张量沿指定维度最大值的索引
tf.argmin(张量名,axis=操作轴)返回指定维度最小值的索引

import numpy as np
test=np.array([[1,2,3],[3,4,5],[6,7,8]])
print(test)
print(tf.argmax(test,axis=0))
print(tf.argmax(test,axis=1))

运行结果：

[[1 2 3]
[3 4 5]
[6 7 8]]
tf.Tensor([2 2 2], shape=(3,), dtype=int64)
tf.Tensor([2 2 2], shape=(3,), dtype=int64)

鸢尾花数据集分类

搭建一个简单的神经网络实现鸢尾花数据集的分类

此处构建的为一个仅包括输入输出层的简单神经网络，四个输入，三个输出，没有隐藏层

构建其函数y=x*w+b

运用梯度下降优化其参数w与b，即

lr为其学习率，是一个超参数，表征梯度下降的速度；loss为损失值，这里用均方误差来计算其损失值。

# 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
from sklearn.model_selection import train_test_split

# 导入数据，分别为输入特征和标签
x_data,y_data = datasets.load_iris(return_X_y=True)

# 将打乱后的数据集分割为训练集和测试集，取百分之30为测试集
x_train,x_test,y_train,y_test=train_test_split(x_data,y_data,test_size=0.3,random_state=520)

# 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
w1 = tf.Variable(tf.random.truncated_normal([4, 3], stddev=0.1))
b1 = tf.Variable(tf.random.truncated_normal([3], stddev=0.1))

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，可自己设置
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（求偏导）
        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()

运行结果：

迭代次数与损失函数值图像

迭代次数与正确率图像