Tensorflow基础
TensorFlow是现在比较火爆的一个深度学习的框架,内部集成了多种优化算法还有模型框架,所以对初学者十分友好,所以今天起开始自己的TensorFlow第一步
训练自己的第一个神经网络
代码如下
第一次上手tensorflow结果发现憨憨的自己抄的代码是temsoflow1.0的版本
但是安装的tensorflow版本是2.1.3,在咨询了下csdn后在原代码的基础上做了下版本转换
然而只是试水了下而已,个人认为tensorflow2.0版本更加友好,更简洁,没有session这种操作,后面都会用tensorflow2.0版本实现,指导课程为北大
import tensorflow.compat.v1 as tf
import numpy as np
tf.disable_v2_behavior()
# create data
x_data = np.random.rand(100).astype(np.float32)##随机生成100个数据
y_data = x_data * 0.1 + 0.3 #随机生成y
# create tensorflow struct start 新建
Weights = tf.Variable(tf.random_uniform((1,), -1.0, 1.0))#随机生成权重
biases = tf.Variable(tf.zeros((1,)))#初始化Biases
y = Weights * x_data + biases#定义函数
loss = tf.reduce_mean(tf.square(y - y_data))#根据均方根差进行梯度下降
optimizer = tf.train.GradientDescentOptimizer(0.5)#梯度下降,设置学习率为0.5
train = optimizer.minimize(loss)
init = tf.initialize_all_variables()
# 创建session
sess = tf.Session()#session是一个对话控制,对
sess.run(init)
for step in range(201):#训练200轮
sess.run(train)
if step % 20 == 0:
print(step, sess.run(Weights), sess.run(biases), sess.run(loss))
##每20轮输出一次训练后的权重还有偏差还有损失
输出如下:
0 [-0.00268313] [0.5169402] 0.027608244
20 [0.0633762] [0.32074773] 0.00013127715
40 [0.09214579] [0.3044495] 6.037642e-06
60 [0.0983156] [0.30095425] 2.7768752e-07
80 [0.09963877] [0.30020466] 1.2771677e-08
100 [0.09992254] [0.3000439] 5.874353e-10
120 [0.09998339] [0.30000943] 2.7032572e-11
140 [0.09999646] [0.300002] 1.2318857e-12
160 [0.09999923] [0.30000046] 6.0014216e-14
180 [0.09999982] [0.3000001] 3.7214676e-15
200 [0.09999991] [0.30000007] 1.2079227e-15
##可见训练次数越多
进行线性回归预测
##懒得下数据集了,所以就自己生成了一个数据集
##线性回归
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data * 0.1 + 0.3 # 很显然这个是个非常明显的线性回归
plt.scatter(x_data, y_data) #绘制数据集的形状,是一个严格符合线性回归的散点图
# 建立顺序模型
model = tf.keras.Sequential() # 实例化一个模型
model.add(tf.keras.layers.Dense(1, input_shape=(1,)))
#定义神经元的数目,由于输入的维度就一个就定义一个输入
model.compile(
optimizer='adam', loss='mse'
)#选择优化算法,这里我们选择adam优化的梯度下降算法,基于均方根差
model.fit(x_data,y_data,epochs=10)#对模型训练10轮
print(model.predict(x_data))#这时训练结束,对输入X进行预测
神经网络计算
神经网络设计过程
鸢尾花设计分类
Y=x*w+b 一般神经网络的设计过程
import tensorflow as tf
w=tf.Variable(tf.constant(5,dtype=tf.float32))
#设置w的随机初始值为5
lr=0.2#学习率
epoch=40#迭代次数
for i in range(epoch):#在每一次的迭代中
with tf.GradientTape() as tape:#执行梯度下降算法
loss=tf.square(w+1)#损失函数定义为loss=(w+1)^2
grads=tape.gradient(loss,w)#告知对w求偏导
w.assign_sub((lr*grads))#每次减去学习率乘上导数
print("在%s 次迭代后,w变为%f ,loss变为 %f"%(epoch,w.numpy(),loss))
结果如下:
在1 次迭代后,w变为2.600000 ,loss变为 36.000000
在2 次迭代后,w变为1.160000 ,loss变为 12.959999
在3 次迭代后,w变为0.296000 ,loss变为 4.665599
在4 次迭代后,w变为-0.222400 ,loss变为 1.679616
在5 次迭代后,w变为-0.533440 ,loss变为 0.604662
在6 次迭代后,w变为-0.720064 ,loss变为 0.217678
在7 次迭代后,w变为-0.832038 ,loss变为 0.078364
在8 次迭代后,w变为-0.899223 ,loss变为 0.028211
在9 次迭代后,w变为-0.939534 ,loss变为 0.010156
在10 次迭代后,w变为-0.963720 ,loss变为 0.003656
在11 次迭代后,w变为-0.978232 ,loss变为 0.001316
在12 次迭代后,w变为-0.986939 ,loss变为 0.000474
在13 次迭代后,w变为-0.992164 ,loss变为 0.000171
在14 次迭代后,w变为-0.995298 ,loss变为 0.000061
在15 次迭代后,w变为-0.997179 ,loss变为 0.000022
在16 次迭代后,w变为-0.998307 ,loss变为 0.000008
在17 次迭代后,w变为-0.998984 ,loss变为 0.000003
在18 次迭代后,w变为-0.999391 ,loss变为 0.000001
在19 次迭代后,w变为-0.999634 ,loss变为 0.000000
在20 次迭代后,w变为-0.999781 ,loss变为 0.000000
…..
…..
在40 次迭代后,w变为-1.000000 ,loss变为 0.000000
多次改变学习率,发现结果不一样,
学习率过小时,40次loss都没达到0
学习率过大时也找不到
张量生成
张量含义
tensorflow中的tensor就是指张量的意思,多维数组和列表的意思
0-D的张量表示一个单独的数 1,2,3,4…..
1-D的张量表示一个向量 [1,2,3,4,…..]
2-D的张量表示一个矩阵[[1,2,3],[4,5,6],……]
3-D的张量表示一个立方,每一层是一个矩阵
[[[1,2,3],[3,4,5]],
[[8,9,0],[7,8,5]]]
n-D以此类推……
数据类型
tf.int,tf.float…….
- tf.int32,tf.float32,tf.float64
tf.bool
- tf.constant([True,False])
tf.string
- tf.constant(“hollow”)
创建张量
直接创建:
import tensorflow as tf
a=tf.constant([1,5],dtype=tf.int64)#实例化一个张量
print(a)
print(a.dtyppe)
print(a.shape)
numpy转换:
import tensorflow as tf
import numpy as np
a=np.arange(0,5)
b=tf.convert_to_tensor(a,dtype=tf.int64)#将numpy格式转换成tf张量格式
print(a)
print(b)
#[0 1 2 3 4]
#tf.Tensor([0 1 2 3 4], shape=(5,), dtype=int64)
一维直接写个数,二维用行列,三维用[n,m,j,k,…..]
#tf.zreos(维度)
#tf.fill(维度,指定值)
#tf.ones(维度)
a=tf.zeros([2,3])
b=tf.fill([2,2],9)
其他生成张量:
#tf.random.normal(维度,meaan=均值,stddv=标准差)
#生成符合正态分布的张量
#tf.random.truncated_normal(维度,均值,标准差)
#生成截断式分布的随机数,保证生成数在2sitar之间
a=tf.random.normal([2,2],mean=0.5,stddev=1)
b=tf.random.truncated_normal([2,2],mean=0.5,stddev=1)
#结果如下
tf.Tensor(
[[ 1.1104964 -0.04805636]
[ 0.00457174 -0.14143777]], shape=(2, 2), dtype=float32)
tf.Tensor(
[[ 2.312311 1.8229972 ]
[-0.07491392 0.20661339]], shape=(2, 2), dtype=float32)
a=tf.random.uniform([2,2],minval=0,maxval=1)
#生成平均分布的随机数
print(a)
#结果如下
tf.Tensor(
[[0.33741152 0.5539886 ]
[0.8860432 0.18990982]], shape=(2, 2), dtype=float32)
常用函数
张量操作
tf.cast()/tf.reduce
tf.cast(a,dtype=iny64)
#转换数据类型用
tf.reduce_min(a)
#计算张量上的最小值
#同理tf.reduce_操作 还有其他的方法,
轴axis:
axis=0:表示纵轴
axis=1:表示横轴,
则可用其表示求解均值还有最大值的方向
不指定axis时,对所有元素进行操作
x=tf.constant([[1,2,3],[2,2,3]])
print(x)
print(tf.reduce_mean(x))
print(tf.reduce_mean(x,axis=1))
#结果如下:
tf.Tensor(
[[1 2 3]
[2 2 3]], shape=(2, 3), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)
tf.Tensor([2 2], shape=(2,), dtype=int32)
tf.Variable
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,神经网络中,常用该函数标记待训练参数
tf.Variable(初始值)
w=tf.Variable(tf.random.normal([2,2],mean=0,stddev=1))
数学运算操作
四则运算函数
x=tf.constant([[1,2],[2,5]])
x=tf.cast(x,dtype=float)
y=tf.random.normal([2,2],mean=1,stddev=0.5)
print(x)
print(y)
print(tf.add(x,y))
print(tf.subtract(x,y))
print(tf.multiply(x,y))
print(tf.divide(x,y))
结果如下:
tf.Tensor(
[[1. 2.]
[2. 5.]], shape=(2, 2), dtype=float32)
tf.Tensor(
[[1.2040572 0.82556653]
[0.49909478 1.6746361 ]], shape=(2, 2), dtype=float32)
tf.Tensor(
[[2.2040572 2.8255665]
[2.4990947 6.674636 ]], shape=(2, 2), dtype=float32)
tf.Tensor(
[[-0.20405722 1.1744335 ]
[ 1.5009053 3.3253639 ]], shape=(2, 2), dtype=float32)
tf.Tensor(
[[1.2040572 1.6511331 ]
[0.99818957 8.37318 ]], shape=(2, 2), dtype=float32)
tf.Tensor(
[[0.83052534 2.4225788 ]
[4.007255 2.9857233 ]], shape=(2, 2), dtype=float32)
注意只有维度相同的张量才可以进行四则运算,所以是点乘点加,不是矩阵运算
幂操作
x=tf.constant([[1,2],[2,5]])
x=tf.cast(x,dtype=float)
print(x)
print(tf.pow(x,3))
print(tf.square(x))
print(tf.sqrt(x))
#结果如下:
tf.Tensor(
[[1. 2.]
[2. 5.]], shape=(2, 2), dtype=float32)
tf.Tensor(
[[ 1. 8.]
[ 8. 125.]], shape=(2, 2), dtype=float32)
tf.Tensor(
[[ 1. 4.]
[ 4. 25.]], shape=(2, 2), dtype=float32)
tf.Tensor(
[[1. 1.4142135]
[1.4142135 2.236068 ]], shape=(2, 2), dtype=float32)
以上都是矩阵的点操作
矩阵乘法
tf.matmul(矩阵1,矩阵2)
要符合矩阵运算
训练操作
特征与标签配对的函数
data=tf.data.Dataset.from_tensor_slices((输入特征,标签))
举例如下
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)
#结果如下
<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>)
求取梯度
tf.GradientTape()
with tf.GradientTape() as tape:#执行梯度下降算法
w=tf.Variable(tf.constant(3.0))
loss=tf.square(w+1)#损失函数定义为loss=(w+1)^2
grad=tape.gradient(loss,w)
print(grad)
#结果如下:
tf.Tensor(8.0, shape=(), dtype=float32)
枚举
enumerate是python内建的函数,可以遍历每个列表元素
组合为索引 元素
seq=['one','two','three']
for i,element in enumerate(seq):
print(i,element)
独热码
tf.one_hot 特征向量形式表示分类
tf.one_hot(待转换数据,depth=几分类)
classes=3
label=tf.constant([1,0,2])
output=tf.one_hot(label,depth=classes)
print(output)
#表示如下
tf.Tensor(
[[0. 1. 0.]
[1. 0. 0.]
[0. 0. 1.]], shape=(3, 3), dtype=float32)
使符合概率分布
归一化处理:softmax()
让输出的每个分类的概率和为1
y=tf.constant([1.01,2.01,-0.66])
y_pro=tf.nn.softmax(y)
print("归一化处理后为:",y_pro)
#归一化处理后为: tf.Tensor([0.25598174 0.69583046 0.04818781], shape=(3,), dtype=float32)
参数自更新
相当于c语言中的++或者–
w=tf.Variable(4)#标记为可训练才能更新
w.assign_sub(1)
print(w)
#即w-1
返回索引
tf.argmax(张量名,axis=操作轴)
test=np.array([[1,2,3],[2,3,4],[4,5,3],[8,7,2]])
print(test)
print(tf.argmax(test,axis=0))#纵向最大值索引
print(tf.argmax(test,axis=1))#横向最大值索引
#结果如下
[[1 2 3]
[2 3 4]
[4 5 3]
[8 7 2]]
tf.Tensor([3 3 1], shape=(3,), dtype=int64)
tf.Tensor([2 2 1 0], shape=(4,), dtype=int64)
鸢尾花数据集读入
通过sklearn中的dataset数据集引入
import tensorflow as tf
from sklearn import datasets
import pandas as pd
from pandas import DataFrame
x_data=datasets.load_iris().data#.data 返回鸢尾花的输入特征
y_data=datasets.load_iris().target#.target返回鸢尾花的所有标签
print("x_data:\n",x_data)
print("y_data:\n",y_data)
x_data=DataFrame(x_data,columns=["花萼长","花萼宽","花瓣长","花瓣宽"])
#把数据变成表格形式,增加可读性
pd.set_option('display.unicode.east_asian_width',True)
#设置列名对齐
print("x_data and index:\n",x_data)
x_data['类别']=y_data#给增加一个类别标签
print("x_data add a colum:\n",x_data)
展示如下:
x_data:
[[5.1 3.5 1.4 0.2]
[4.9 3. 1.4 0.2]
[4.7 3.2 1.3 0.2]
[4.6 3.1 1.5 0.2]
..........
[6.5 3. 5.2 2. ]
[6.2 3.4 5.4 2.3]
[5.9 3. 5.1 1.8]]
y_data:
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
2 2]
x_data and index:
花萼长 花萼宽 花瓣长 花瓣宽
0 5.1 3.5 1.4 0.2
1 4.9 3.0 1.4 0.2
2 4.7 3.2 1.3 0.2
3 4.6 3.1 1.5 0.2
4 5.0 3.6 1.4 0.2
.. ... ... ... ...
145 6.7 3.0 5.2 2.3
146 6.3 2.5 5.0 1.9
147 6.5 3.0 5.2 2.0
148 6.2 3.4 5.4 2.3
149 5.9 3.0 5.1 1.8
[150 rows x 4 columns]
x_data add a colum:
花萼长 花萼宽 花瓣长 花瓣宽 类别
0 5.1 3.5 1.4 0.2 0
1 4.9 3.0 1.4 0.2 0
2 4.7 3.2 1.3 0.2 0
3 4.6 3.1 1.5 0.2 0
4 5.0 3.6 1.4 0.2 0
.. ... ... ... ... ...
145 6.7 3.0 5.2 2.3 2
146 6.3 2.5 5.0 1.9 2
147 6.5 3.0 5.2 2.0 2
148 6.2 3.4 5.4 2.3 2
149 5.9 3.0 5.1 1.8 2
[150 rows x 5 columns]
神经网络实现鸢尾花分类
准备数据
- 数据集读入
- 数据集乱序
- 生成测试集和训练集
- 标签配对,每次读入一个batch
搭建网络
- 定义神经网络中所有可训练参数
参数优化
- 嵌套迭代循环,with结构更新参数,显示当前loss
测试效果
- 计算当前参数前向传播后的准确率,显示当前acc
acc/loss可视化
- matplotlib库使用
以下是训练用代码,只用一层网络进行训练,Mooc的要求是都能把代码背下来
# -*- 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
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
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.figure(figsize=(20,8),dpi=120)
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()
plt.savefig("./firstNetwork.png")#保存图片
神经网络优化
预备知识
tf.where()
条件语句真返回A,条件语句假返回B
tf.where(条件语句,真返回A,假返回B)
a=tf.constant([1,2,3,1,1]) b=tf.constant([0,1,3,4,5]) c=tf.where(tf.greater(a,b), a, b) 若a>b,返 回a对应位置的元素,否则 返回b对应位置的元素 print("c:",c) 运行结果: c:tf.Tensor([1 2345], shape=(5,), dtype=int32)
np.random.RandomState.rand()
- 返回一个[0,1)之间的随机数
- np.random.RandomState.rand(维度)
维度为空,返回标量
import numpy as np
rdm=np.random.RandomState(seed:
1) #seed=常数每次生成随机数相同
a=rdm.rand()#返回一个随机标量
b=rdm.rand(2,3)#返回维度为2行3列随机数矩阵print("a:",a)
print("b:",b)
#运行结果:
a: 0.417022004702574
b: [[7.20324493e-01 1.14374817e-04 3.02332573e-01]
[1.46755891e-01 9.23385948e-02 1.86260211e-01]]
np.vstack()
- 将两个数组按垂直方向叠加np.vstack(数组1,数组2)
import numpy as np
a=np.array([1,2,3])
b = np.array([4,5,6])
C=np.vstack((a,b))
np.vstack()
print("c:ln",c)
运行结果:c:
[[1,2,3],
[4,5,6]]
np.mgrid[ ] .ravel() np.c_[]
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变为一维数组,“把.前变量拉直”
- np.c [1使返回的间隔数值点配对
np.c_[数组1,数组2,….]
- import numpy as np
X, y= np.mgrid[1:3:1,2:4:0.5]
grid =np.c_[x.ravel(), y.ravel
print("x:",x)
print("y:",y)
print('grid:\n", grid)
复杂学习率
神经网络(NN)复杂度
√NN复杂度:多用NN层数和NN参数的个数表示
空间复杂度:
- √层数=隐藏层的层数+1个输出层左图为2层NN
- √总参数=总w+总b
时间复杂度:
- √乘加运算次数
学习率
可以先用较大的学习率,快速得到较优的解,然后逐步减小学习率,使模型后期稳定
指数衰减学习率=初始学习率*当习率衰减率(当前轮数/多少轮衰减一次)
epoch=40
LR BASE =0.2
LR DECAY =0.99
LR STEP =1
for epoch in range (epoch):
lr = LR BASE *LR DECAY **(epoch / LR STEP)
with tf.GradientTape()as tape:
loss = tf.square(w +1)
grads = tape.gradient (loss, w)
w.assign sub (lr *grads)
print ("After s epoch,w is %f,loss is %f,lr is %f"%(epoch, w.numpy() , loss,lr))
激活函数
√优秀的激活函数:
非线性:激活函数非线性时,多层神经网络可逼近所有函数(只有网络是非线性的时候才不会被单层网络替代)
可微性:优化器大多用梯度下降更新参数
单调性:当激活函数是单调的,能保证单层网络的损失函数是凸函数(保证单层网络的损失函数是凸函数)
近似恒等性:f(x)sx当参数初始化为随机小值时,神经网络更稳定
√激活函数输出值的范围:
- 激活函数输出为有限值时,基于梯度的优化方法更稳定(权重对特征的影响更加显著)
- 激活函数输出为无限值时,建议调小学习
常用激活函数
sigmoid
近年来用sigmoid作为激活函数的网络越来越少,因为深层神经网络进行链式求导的时候,需要从输出层到输入层逐层进行链式求导,但是sigmoid函数的导数是0到0.25之间的小数,链式求导需要多层连续相乘,会出现多个0到0.25之间的连续相乘,结果将会趋于0,产生梯度消失,让参数无法继续更新
我们希望输入每层神经网络的特征是以0为均值的小数,但是sigmoid后的都是正数,收敛变慢,幂运算计算复杂度大训练时间长
- 容易造成梯度消失
- 输出非0均值,收敛慢
- 幂运算复杂,训练时间长
tanh
- 输出0均值
- 同样梯度消失
- 幂运算复杂,训练时间长
Relu
tf.nn.relu(x)
是个分段函数,
优点:
- 解决了梯度消失问题
- 只需判断输入是否大于0,计算速度快
- 收敛远远快于前两者
缺点:
- 输出不是0均值,收敛慢
- dead ReIU问题:当激活特征是负数时,某些神经元无法被激活,导致参数无法被更新
- 设置更小学习率
- 减少参数分布的巨大变化
Leaky Relu
tf.nn.leaky_relu(x)
为了解决relu负区间为0引起神经元死亡而设置的,使其负区间斜率不为0,无完全证明标书leaky relu比relu更好
但一般都用relu
总结
- 首选relu激活函数;
- √学习率设置较小值;
- 输入特征标准化,即让输特征满足以0为均值,1为标准差的正态分布;
- 初始参数中心化,即让随机生成的参数满足以0为均值,根下输入特征分之2为标准差的正态分布
损失函数
损失函数(loss) :预测值(y)与已知答案(y_)的差距
NN优化目标:loss最小
主流的损失函数:
mse (Mean Squared Error)
自定义
ce(Cross Entropy)交叉熵
均方误差mse:
loss_mse = tf.reduce_mean(tf.square(y_-y))
自定义损失函数:
对不同的损失赋予不同的惩罚
loss zdy= tf.reduce _sum(where :(tf.greatery,y_b, cOST(y -y_),PROFT(y_-y))
交叉熵:
√交叉嫡损失函数CE(Cross Entropy):表征两个概率分布之间的距离
eg.二分类已知答案y_=(1,0)预测y,=(0.6, 0.4)y2=(0.8, 0.2)哪个更接近标准答案?
H1((1.0),(0.6,0.4))=-(1ln0.6+Oln0.4)~~(-0.511 +0)=0.511
H2((1,0).(0.8,0.2))=-(1ln0.8+Oln0.2)~~(-0.223+0)=0.223
因为H>H,所以y,预测更准
tf.losses.categorical_crossentropy(y ,y)
loss_ce1=tf.losses.categorical_ crossentropy([1,0],[0.6,0.4])
loss_ce1=tf.losses.categorical_ crossentropy([1,0],[0.8,0.2])
print("loss_ce1:", loss_ce1)
print("loss_ce2:", loss_ce2)
softmax与交叉结合
√输出先过softmax函数,再计算第y与y_的交叉嫡损失函数。
tf.nn.softmax_cross_entropy_with_logits(y_,y)
Y_= np.array([[1, 0, 0],[0,1,0],[0, 0,1],[1,0,0],[0,1,0]])
y = np.array([[12,3,2],[3,10,1],[1,2, 5],[4,6.5,1.2],[3,6, 1]])
y_pro= tf.nn.softmax(y)
loss_ce1 = tf.losses.categorical_crossentropy(y_,y_pro)
loss_ce2 = tf.nn.softmax_cross_entropy_with_logits(y_y)
print('分步计算的结果:ln', loss_ce1)
print('结合计算的结果:ln', loss_ce2)
缓解过拟合
过拟合把数据点记住了,导致模型过度训练,泛化性弱
欠拟合的解决方法:
- 增加输入特征
- 增加网络参数
- 减少正则化参数
过拟合的解决方法:
- 数据清洗减少噪声
- 增大训练集
- 采用正则项
- 增大正则化参数
下面详细介绍正则化:
正则化就是在损失函数中引入模型复杂度指标:,给每个参数w加上权重,抑制训练集中的噪声(一般不正则化b)
loss = loss(y与y)+ REGULARIZER * loss(w)
loss(y与y)是模型中所有参数的损失函数
超参数REGULARIZER给出参数w在总loss中的比例,即正则化的权重
w是需要正则化的参数
一般:
- L1正则:loss(w)=lwI
- L2正则:loss 2(w)=sum(w^2)
√正则化的选择:
L1正则化大概率会使很多参数变为零,
因此该方法可通过稀疏参数,即减少参数的数量,降低复杂度。L2正则化会使参数很接近零但不为零,
因此该方法可通过减小参数
值的大小降低复杂度。下面是代码:
with tf.GradientTape() as tape: hl = tf.matmul(x train, wl)+ b1 h1 = tf.nn.relu(hl) y = tf.matmul(h1, w2)+ b2 loss mse = tf.reduce mean (tf.square(y train - y)) loss regularization = [] loss regularization.append (tf.nn.l2_loss(wl)) loss regularization. append (tf.nn. l2_ loss(w2)) loss regularization = tf.reduce sum (loss regularization) loss = loss mse + 0.03 *loss regularization variables = [w1,b1, w2,b2] grads = tape. gradient (loss, variables)