tensorflow搭建神经网络

基础知识

1. 张量Tensor：多维

   创建张量：

   import tendorflow as tf
   tf.constant(张量内容，dtype)
   

   转换成张量：

   tf.convert_to_tenor(数据名，dtype)
   

   全0 全1 填充

   tf.zero(维度)
   tf.ones(维度)
   tf.fill(维度，指定值)
   

   生成正态分布的随机数

   tf.random.normal(维度，mean,stddev)
   

   生成截断式正太分布的随机数 （μ-2σ，μ+2σ）

   tf.random.truncated_normal(维度，mean，stddev)
   

   生成均匀分布随机数

   tf.random.uniform(维度，minval,maxval)
   

   常见函数

   #tensor->其他数据类型
   tf.cast(张量，dtype)
   #最小值 最大值
   tf.reduce_min(张量，axis)
   tf.reduce_max(张量，axis)
   #axis:axis=1:行；axis=0:列
   #将变量标记为 可训练
   tf.Variable()
   #四则运算 需要维度相同
   tf.add(tensor1,tensor2)
   tf.substract(t1,t2)
   tf.multiply(t1,t2)
   tf.divide(t1,t2)
   #平方 次方 开方
   tf.square(t)
   tf.pow(t,n)
   tf.sqrt(t)
   #矩阵乘
   tf.matmul(矩阵1,矩阵2)
   #切分传入张量的第一维度 生成输入的特征和标签对 构建数据集
   data = tf.data.Dataset.from_tensor_slices((特征，标签))
   #求梯度
   with tf.GradientTape() as tape:......
   grad = tape.gradient(函数，对谁求导)
   #遍历每个元素
   for imgs,labels in enumerate(datas):print(imgs)print(labels)
   #独热编码
   tf.one_hot(待转换数据，depth=几分类)
   #n分类的n个输出通过softmax() 符合概率分布
   tf.nn.softmax(x)
   #赋值 
   w = tf.Variable(4)
   w.assign_sub(1) # w -= 1
   #最大值索引
   tf.argmax(tensor1,axis)
   #条件
   tf.where(条件，真返回A，假返回B)
   #返回随机数 seed=常数 每次生成随机数相同
   np.random.RandomState(seed)
   #两个数组按垂直方向叠加
   np.vstack((a,b))
   #还有一些函数
   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_[ ] 使返回的间隔数值点配对
   

神经网络优化过程

1. 神经网络NN 复杂度

   1. 层数 = 隐藏层数 + 输出层（除了输入层）

   2. 空间复杂度 = 总的权值个数+总的偏置个数

   3. 时间复杂度 = 总的权值个数

2. 学习率 learning rate：lr

   

   学习率过小：参数更新慢 模型收敛慢

   学习率过大：不容易找到梯度的极小值 来回震荡

   策略：

   指数衰减学习率：先用较大的学习率，快速得到最优解，逐步减小学习率，使模型在训练后期稳定

   指数衰减学习率 = 初始学习率 * 学习率衰减率 ^（ 当前轮数/ 多少轮衰减一次 ）

3. 激活函数

   非线性函数

   为了增加模型的复杂度，防止模型过拟合

   常见：

   1. sigmoid()

      f(x) = 1/(1+exp(-x))

   2. Tanh()

      f(x) = (1-exp(-2x))/(1+exp(-2x))

   3. Relu()

      f(x) = {0|x<0;x|x>=0}

   4. Leaky Relu()

      f(x) = max(ax,a)

   5. 初学者建议：

      首选relu()

      lr设置较小值

      特征标准化（0，1）

      初始参数正态分布（0，sqrt(2/当前层输入特征个数)）

4. 损失函数loss

   -预测值y与真实值y_的差距

   1. 均方误差 MSE

      loss_mse = tf.reduce_mean(tf.square(y_-y))
      

   2. 交叉熵损失函数 CE

      tf.losses.categorical_crossentropy(y_,y)
      

   3. softmax 和 CE 结合

      tf.nn.softmax_cross_entropy_with_logits(y_,y)
      

5. 欠拟合 & 过拟合

   1. 欠拟合：训练集拟合效果差

      解决：增加输入特征项 增加参数 减少正则化参数

   2. 过拟合：训练太多了 泛化能力差 验证集测试集拟合效果差 待优化的参数过多容易导致模型过拟合

      解决：数据清洗 增大训练集 采用正则化 增大正则化参数

6. 正则化

   正则化在损失函数中引入模型复杂度指标 利用给参数加权值 弱化数据集的噪声

   1. L1 正则化

      会使很多参数变为0，因此L1正则化可以通过稀疏参数，减少参数数量，降低复杂度

   2. L2 正则化

      会使很多参数接近0，因此L2正则化可以通过减小参数的值来降低复杂度

      tf.nn.l2_loss(weight)
      

7. 优化器

   1. SGD 随机梯度下降

      w1.assign_sub(lr*grads[0])
      b1.assign_sub(lr*grads[1])
      

   2. SGDM 增加一阶动量

      m_w = beta * m_w + (1 - beta) * grads[0]
      w1.assign_sub(lr*m_w)
      

   3. Adagrad 增加二阶动量

      v_w += tf.square(grads[0])
      w1.assign_sub(lr*grads[0]/tf.sqrt(v_w))
      

   4. RMSProp 增加二阶动量

      v_w += beta * v_w + (1 - beta) * tf.square(grads[0])
      w1.assign_sub(lr*grads[0]/tf.sqrt(v_w))
      

   5. Adam 结合一阶和二阶

      省略
      

搭建神经网络

1. tensorflow搭建神经网络

   1. import 导入各种包
   2. train test 训练集&测试集
   3. model=tf.keras.models.Sequential 网络结构
   4. model.compile 优化器 损失函数 评判标准
   5. model.fit 训练模型
   6. model.summary 我称之为文字版可视化
   7. code:

   import tensorflow as tf
   from sklearn import datasets
   import numpy as npx_train = datasets.load_iris().data
   y_train = datasets.load_iris().targetnp.random.seed()
   np.random.shuffle(x_train)
   np.random.seed()
   np.random.shuffle(y_train)
   tf.random.set_seed()model = tf.keras.models.Sequential([tf.keras.layer.Dense(3,activation='softmax',kernel_reqularizer=tf.keras.regularizers.l2())
   ])model.compile(optimizer=tf.keras.optimizers.SGD(lr=0.1),loss = tf.keras.losses.SparesCategoricalCrossentropy(from_logits=False),metrics = ['sparse_categorical_accuracy'])model.fit(x_train,y_train,batch_size=32,epochs=500,validation_split=0.2,validation_freq=20)model.summary()
   

2. model

   可以定义成一个类

   class MyModel(Model):def __init__(self):super(MyModel,self).__init__()定义网络结构#前向传播def call(self,x):调用上面定义的网络结构return resultmyModel = MyModel()
   result = myModel(x)
   

3. 神经网络功能扩展

   1. 自制数据集

   2. 数据增强

      image_gen_train = tf.keras.preprocessing.image.ImageDataGenerator(rescale = 所有的数据将乘以该数值rotation_range = 随机旋转角度数范围width_shift_range = 随机宽度偏移量height_shift_range = 随机高度偏移量horizontal_flip = 是否随机水平翻转zoom_range = 随机缩放的范围[1-n,1+n]
      )
      image_gen_train.fit(x_train)
      ...
      ...
      model.fit(image_gen_train.flow(x_train,y_train,batch_size=32),....)
      

   3. 断点续训，存取模型

#读取模型
checkpoint_save_path = '保存路径'
if os.path.exists(checkpoint_save_path+'.index'):print('-----load the model-----')model.load.weights(checkpoint_save_path)
#保存模型
cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath = checkpoint_save_path,save_weights_only = True,save_best_only = True
)
history = model.fit(x_train,y_train,batch_size=32,epochs=5,validation_data = (x_test,y_test),validation_freq=1,callbacks = [cp_callback]
)

4. 参数提取 把参数存入文本

   #threshold:超过多少省略显示
   np.set_printoptions(threshold=np.inf) #inf:无穷大
   ...
   ...
   print(model.trainable_variables)
   file = open('./weight.txt,'w)
   for v in model.trainable_variables:file.write(str(v.name)+'\n')file.write(str(v.shape)+'\n')file.write(str(v.numpy())+'\n')
   file.close()
   

5. 训练指标可视化 查看训练效果

   acc loss:

   acc = history.history['sparse_categorical_accuracy']
   val_acc = history.history['val_sparse_categorical_accuracy']
   loss = history.history['losss']
   val_loss = history.history['val_loss']plt.........
   

6. 应用

   #复现模型 前向传播
   model = tf.keras.models.Sequential([#拉直层tf.keras.layers.Flatten(),#全连接层tf.keras.layers.Dense(128,activation='relu'),tf.keras.layers.Dense(10,activation='softmax')
   ])
   #加载参数
   model.load_weights(model_save_path)
   #预测
   result = model.predict(x_predict)
   

卷积神经网络 CNN

1. 卷积层

   卷积：图像特征提取

2. 池化层

   池化：下采样 减少特征数

3. 全连接层

   全连接NN ：每个神经元与前后相邻层的每一个神经元都有连接关系，输入是特征，输出为预测的结果

   会先对原始图像进行特征提取 再把提取到的特征送给全连接网络

4. CNN

   1. CNN:卷积神经网络

      借助卷积核提取特征后，送入全连接网络

      卷积就是特征提取器

      1. CNN主要模块流程

         1. 卷积层 Conv2D
         2. 批标准化层 BatchNormalization
         3. 激活层 Activation
         4. 池化层 MaxPool2D
         5. 舍弃层 Dropout
         6. 拉直层 Flatten
         7. 全连接层 Dense

      2. 说明

         根据网络结构具体编码

         有的网络结构包含多个卷积层和池化层 也是为了更好的提取特征

   2. 感受野：CNN各输出特征图中的每个像素点 在原始的输入图片上映射区域的大小

   3. padding

      全零填充：可以保证输入图片的维度和输出的特征图的维度相同

      padding -SAME:全0填充 输出特征图的维度=输入特征图的维度/步长 （向上取整）

      padding -VALID:不全0填充 输出特征图的维度=（输入特征图的维度-卷积核维度+1）/ 步长 （向上取整）

   4. 卷积层 conv

      Conv2D(filters,kernel_size,strides,padding,activation,input_shape)
      

      filters = 卷积核个数

      kernel_size = 卷积核尺寸

      strides = 步长

      activation = 激活函数（有BN此处不写）

      input_shape = (高，宽，通道数) 可省略

   5. 批标准化BN batch normalization

      标准化：mean：0 std：1

      批标准化：对一小批数据batch 做标准化处理

      BN层位于卷积层之后 激活层之前

      BatchNormalization()
      

   6. 池化 pooling

      最大池化：提取图片纹理

      均值池化：保留背景特征

      tf.keras.layers.MaxPool2D(pool_size,strides,padding)
      tf.keras.layers.AveragePooling2D()
      

   7. 舍弃 dropout

      在神经网络训练时，将一部分神经元按照一定概率从神经网络中暂时舍弃，神经网络使用的时候，被舍弃的神经元恢复连接

      Dropout(舍弃的概率)
      

5. 经典CNN

   1. LeNet

      共享卷积核，减少网络参数

   2. ALexNet

      使用relu激活函数，使用dropout

   3. VGGNet

      小尺寸卷积核减少参数，网络结构规整，适合并行加速

   4. Inception

      一层内使用不同尺寸卷积核，提升感知力，使用BN，缓解梯度消失

   5. ResNet

      层间残差跳连，引入前方信息，缓解模型退化，使神经网络参数加深成为可能

循环神经网络 RNN

1. 网络结构

   

2. 循环核

   参数时间共享 循环层提取时间信息

   ht = tanh(Xt×Wxh+ht-1×Whh+bh)

   yt = softmax(ht×why+by)

   前向传播：记忆体内存储的状态信息ht，在每个时刻都被刷新，三个参数矩阵Wxh Whh Why固定不变

   反向传播：三个参数矩阵被梯度下降法更新

3. 循环计算层

   层数：循环核个数

   tf.keras.layers.SimpleRNN(记忆体个数，activation,return_sequences=是否每个时刻输出ht到下一层)
   #return_sequences = True:各时间步输出ht
   #return_sequences = False:仅最后时间步输出ht
   

4. Embedding 独热编码

   用低维向量实现了编码，这种编码通过神经网络训练优化，能表达出单词见的相关性

   tf.keras.layers.Embedding(词汇表大小，编码维度)
   

   编码维度：用几个数字表达一个单词

5. RNN

   借助循环核提取时间特征后，送入全连接网络

   1. RNN主要模块流程
      1. 循环层 SimpleRNN / LSTM / GRU
      2. 批标准化层 BatchNormalization
      3. 激活层 Activation
      4. 池化层 GlobalMaxPool1D/GlobalAvgPool1D
      5. 舍弃层 Dropout
      6. 展平层 Reshape
      7. 全连接层 Dense

6. 经典RNN

   1. 简单RNN

   2. LSTM

      增加遗忘门 细胞态（长期记忆）记忆体（短期记忆）候选态（归纳出的新知识）

      tf.keras.layers.LSTM(记忆体个数，return_sequences=是否返回输出)
      

   3. GRU

      更新门 重置门 记忆体 候选隐藏层

      tf.keras.layers.GPU(记忆体个数，return_sequences=是否返回输出)
      

   4. RNN 的核心是循环层（LSTM 和 GRU 是改进型循环层，解决长序列依赖问题）