tensorflow快速入门--如何定义张量、定义网络结构、超参数设置、模型训练？？？

前言

由于最近学习的东西涉及到tensorflow的使用，故先简单的学习了一下tensorflow中如何定义张量、定义网络结构、超参数设置、模型训练的API调用过程；
欢迎大家，收藏+关注，本人将持续更新。

文章目录

1、基本操作
- 1、张量基础操作
- - 创建0维度张量
  - 创建1维张量
  - 创建多维张量
- 2、转换成numpy
- 3、常用函数
- 4、变量
2、用tensorflow构建神经网络
- 1、数据分析
- - 1、导入库
  - 2、导入数据
  - 3、数据归一化
  - 4、图片展示
  - 5、图片格式归一化
- 2、构建神经网络
- 3、设置超参数
- 4、模型训练
- 5、预测

1、基本操作

1、张量基础操作

tensorflow中定义常量张量是constant，也就是不能改变的张量。

# 导入库
import tensorflow as tf 
import numpy as np

创建0维度张量

zeros = tf.constant(3)
zeros

输出：

<tf.Tensor: shape=(), dtype=int32, numpy=3>

输出说明：

shape: 数据维度，0
numpy：数据，3

创建1维张量

tf.constant([1.0, 2.0, 3.0])

输出：

<tf.Tensor: shape=(3,), dtype=float32, numpy=array([1., 2., 3.], dtype=float32)>

输出说明：

shape: 数据维度，(1， 3)
numpy：数据，array[1., 2., 3.]
dtype：数据类型，浮点类型

创建多维张量

tf.constant([[1, 2],
             [3, 4],
             [5, 6]], dtype=tf.float32)

输出：

<tf.Tensor: shape=(3, 2), dtype=float32, numpy=
array([[1., 2.],
       [3., 4.],
       [5., 6.]], dtype=float32)>

输出说明：

shape: 数据维度，(3, 2)
numpy：数据
dtype：数据类型，浮点类型

三维乃至四维都是这样

2、转换成numpy

tf1 = tf.constant([1, 2, 3, 4, 5])
tf1

输出：

<tf.Tensor: shape=(5,), dtype=int32, numpy=array([1, 2, 3, 4, 5])>

#tensor转numpy
#方法一
np.array(tf1)

输出：

array([1, 2, 3, 4, 5])

#方法二
tf1.numpy()

输出：

array([1, 2, 3, 4, 5])

3、常用函数

注意：tensorflow默认不是浮点类型。

# 这样默认是float32
a = tf.constant([[1.0, 2],
                 [3, 4]])

b = tf.constant([[1, 1],
                 [1, 1]], dtype=tf.float32)

注意：constant是创建不可变的张量，不能修改，一下这个不能修改

# 会报错
a[0, 0] = 2

报错如下：
---------------------------------------------------------------------------

TypeError                                 Traceback (most recent call last)

Cell In[9], line 2
      1 # 会报错
----> 2 a[0, 0] = 2

TypeError: 'tensorflow.python.framework.ops.EagerTensor' object does not support item assignment

# 加法
tf.add(a, b)

输出：

<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[2., 3.],
       [4., 5.]], dtype=float32)>

# 乘法
tf.matmul(a, b)

输出：

<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[3., 3.],
       [7., 7.]], dtype=float32)>

# 最大值
tf.reduce_max

输出：

<function tensorflow.python.ops.math_ops.reduce_max(input_tensor, axis=None, keepdims=False, name=None)>

# 最大值索引
tf.argmax(a)

输出：

<tf.Tensor: shape=(2,), dtype=int64, numpy=array([1, 1], dtype=int64)>

# 平均值
tf.reduce_mean(a)

输出：

<tf.Tensor: shape=(), dtype=float32, numpy=2.5>

4、变量

tf.Variable：tensorflow是可变类，ptorch没有这个，但是pytorch的张量是可以变的

var = tf.Variable([[1,2],[3,4]])
var

输出：

<tf.Variable 'Variable:0' shape=(2, 2) dtype=int32, numpy=
array([[1, 2],
       [3, 4]])>

# 查看变量的维度
var.shape

输出：

TensorShape([2, 2])

# 查看数据类型
var.dtype

输出：

tf.int32

# 修改变量的值
# 不能直接这样修改值：var[0, 0] = 5
var[0,0].assign(2)

输出：

<tf.Variable 'UnreadVariable' shape=(2, 2) dtype=int32, numpy=
array([[2, 2],
       [3, 4]])>

# 也可以整体修改
var.assign([[3,4],[5,6]])

输出：

<tf.Variable 'UnreadVariable' shape=(2, 2) dtype=int32, numpy=
array([[3, 4],
       [5, 6]])>

输出：

# 但是不能修改成维度不匹配的
var.assgin([2,3]) # 错误

---------------------------------------------------------------------------

AttributeError                            Traceback (most recent call last)

Cell In[21], line 2
      1 # 但是不能修改成维度不匹配的
----> 2 var.assgin([2,3]) # 错误
AttributeError: 'ResourceVariable' object has no attribute 'assgin'

2、用tensorflow构建神经网络

以实现手写字体的识别为例，按步骤一步一步实现，核心：

导入数据
构建神经网络
设置超参数
模型训练

1、数据分析

1、导入库

# 导入一些必要库
import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt


# 查看是否支持gpu
gpus = tf.config.list_physical_devices("GPU")

if gpus:
    gpu0 = gpus[0] #如果有多个GPU，仅使用第0个GPU
    tf.config.experimental.set_memory_growth(gpu0, True) #设置GPU显存用量按需使用
    tf.config.set_visible_devices([gpu0],"GPU")
    
print(gpus)

[]

tf: 导入tensorflow框架
datasets：提供常用的数据集，方便快速加载和使用。
layers：提供各种神经网络层，用于构建模型。
models：提供模型类，如 Sequential，用于管理和训练模型。

2、导入数据

tensorflow中可以利用API直接导入mnist数据，导入数据分别依次为训练集图片、训练集标签、测试集图片、测试集标签

(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()

Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz
11493376/11490434 [==============================] - 4s 0us/step

3、数据归一化

作用：

去除数据的量纲影响，减小数据的方差，使得模型更加准确；
加快算法学习速度。

# 将数据标准化在0-1区间内
train_images, test_images = train_images / 255.0, test_images / 255.0
# 查看数据维度信息
train_images.shape, train_labels.shape, test_images.shape, test_labels.shape

输出：

((60000, 28, 28), (60000,), (10000, 28, 28), (10000,))

4、图片展示

plt.figure(figsize=(20, 10))
for i in range(20):
    plt.subplot(2, 10, i + 1)  # 宽、高、位置
    plt.imshow(train_images[i], cmap=plt.cm.binary)
    plt.xlabel(train_labels[i])
    
plt.show()

在这里插入图片描述

5、图片格式归一化

train_images = train_images.reshape((60000, 28, 28, 1))
test_images = test_images.reshape((10000, 28, 28, 1))

train_images.shape, train_labels.shape, test_images.shape, test_labels.shape

输出：

((60000, 28, 28, 1), (60000,), (10000, 28, 28, 1), (10000,))

2、构建神经网络

下面是我用AI大模型搜到的一些资料：
在 TensorFlow 中，tf.keras.layers 模块提供了构建神经网络所需的各种层。这些层可以用来构建不同类型的神经网络模型，如卷积神经网络（CNN）、循环神经网络（RNN）等。下面是一些常用的层类型及其简要说明：

基础层

Dense：全连接层，用于构建标准的前馈神经网络。
- 参数：units（输出维度），activation（激活函数），use_bias（是否使用偏置项）等。
Activation：独立的激活层，可以应用于任何其他层的输出。
- 参数：activation（激活函数名或函数对象）。
Dropout：用于防止过拟合，通过随机丢弃一部分神经元来实现。
- 参数：rate（丢弃率，即每个神经元被丢弃的概率）。
Flatten：将多维输入展平成一维向量，常用于连接卷积层和全连接层之间。
- 参数：无。

卷积层

Conv1D、Conv2D、Conv3D：一维、二维、三维卷积层，分别适用于时间序列数据、图像数据和视频数据。
- 参数：filters（滤波器数量），kernel_size（卷积核大小），strides（步长），padding（填充方式），activation（激活函数）等。
SeparableConv1D、SeparableConv2D：深度可分离卷积层，用于减少计算量和参数数量。
- 参数与普通卷积层类似。
DepthwiseConv2D：深度卷积层，用于处理通道之间的信息。
- 参数：kernel_size，strides，padding等。

池化层

MaxPooling1D、MaxPooling2D、MaxPooling3D：最大池化层，用于降低数据的空间尺寸。
- 参数：pool_size（池化窗口大小），strides，padding等。
AveragePooling1D、AveragePooling2D、AveragePooling3D：平均池化层，作用类似于最大池化层，但采用的是平均值而不是最大值。
- 参数与最大池化层相同。

循环层

SimpleRNN：简单的循环神经网络层。
- 参数：units（输出维度），activation，use_bias等。
LSTM：长短期记忆网络层，是一种特殊的 RNN 层，能够学习长期依赖关系。
- 参数与 SimpleRNN 相似。
GRU：门控循环单元层，是 LSTM 的简化版本。
- 参数与 SimpleRNN 和 LSTM 相似。

正则化层

BatchNormalization：批量归一化层，用于加速训练过程并减少内部协变量转移。
- 参数：axis（指定要进行归一化的轴），momentum（移动平均的动量），epsilon（防止除零的小值）等。

输入层

InputLayer：显式定义模型的输入层。
- 参数：input_shape（输入张量的形状），batch_size（批处理大小）等。

注意力机制相关层

Attention：注意力机制层，用于在模型中引入注意力机制。
- 参数：use_scale（是否使用缩放因子），causal（是否为因果注意力）等。

当然，这些只是 tf.keras.layers 模块提供的一部分层。

model = models.Sequential([
    # 激活函数，relu
    # 池化层：平均池化
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),  # 卷积层
    layers.MaxPooling2D((2, 2)),  # 池化层
    layers.Conv2D(64, (3, 3), activation='relu'),  # 卷积层
    layers.MaxPooling2D((2, 2)),   # 池化层
 
    layers.Flatten(),  # 全部展开
    layers.Dense(64, activation='relu'),   # 降维
    layers.Dense(10)  # 根据需要分类数来分类
])
# 打印模型结构
model.summary()

Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_5 (Conv2D)            (None, 26, 26, 32)        320       
_________________________________________________________________
max_pooling2d_5 (MaxPooling2 (None, 13, 13, 32)        0         
_________________________________________________________________
conv2d_6 (Conv2D)            (None, 11, 11, 64)        18496     
_________________________________________________________________
max_pooling2d_6 (MaxPooling2 (None, 5, 5, 64)          0         
_________________________________________________________________
flatten_2 (Flatten)          (None, 1600)              0         
_________________________________________________________________
dense_4 (Dense)              (None, 64)                102464    
_________________________________________________________________
dense_5 (Dense)              (None, 10)                650       
=================================================================
Total params: 121,930
Trainable params: 121,930
Non-trainable params: 0
_________________________________________________________________

3、设置超参数

model.compile 方法用于配置模型的训练过程。这个方法允许你指定损失函数、优化器和评估指标等关键参数，以便在训练过程中使用

model.compile(
    # 设置优化器
    optimizer = 'adam',
    # 设置损失率
    loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
    # 评价指标
    metrics=['accuracy']
)

4、模型训练

model.fit是tensorflow中模型训练的核心方法，其主要参数如下：

x：训练数据。可以是 NumPy 数组、Python 列表或 TensorFlow 数据集。
y：训练数据的标签。可以是 NumPy 数组或 Python 列表。
epochs：训练的轮数。每个 epoch 表示模型将遍历整个训练数据集一次。
batch_size：每个批次的样本数。默认情况下，model.fit 会在每个 epoch 内将训练数据分成多个批次进行训练。
validation_data：验证数据，用于在每个 epoch 结束时评估模型性能。可以是一个元组 (x_val, y_val)，其中 x_val 和 y_val 分别是验证数据和标签。
validation_split：从训练数据中划分出一部分作为验证数据的比例。如果指定了 validation_split，则不需要再提供 validation_data。
shuffle：是否在每个 epoch 开始前打乱训练数据。默认为 True。
class_weight：类别权重，用于处理类别不平衡问题。可以是一个字典，键为类别索引，值为对应的权重。
sample_weight：样本权重，用于处理样本不平衡问题。可以是一个与训练数据长度相同的数组。
initial_epoch：开始训练的初始 epoch。用于恢复中断的训练。
steps_per_epoch：每个 epoch 的训练步骤数。当使用 TensorFlow 数据集时，默认情况下会遍历整个数据集。如果数据集很大，可以使用 steps_per_epoch 来限制每个 epoch 的训练步骤数。
validation_steps：验证步骤数。类似于 steps_per_epoch，用于限制验证数据集的遍历次数。
callbacks：回调函数列表，用于在训练过程中执行特定的操作，如保存模型、调整学习率、记录日志等。

model.fit(
    x = train_images,   # 训练集数据
    y = train_labels,   # 训练集标签
    epochs = 10,        # 训练轮次
    validation_data = (test_images, test_labels)
)

Epoch 1/10
1875/1875 [==============================] - 17s 9ms/step - loss: 0.1485 - accuracy: 0.9548 - val_loss: 0.0455 - val_accuracy: 0.9854
Epoch 2/10
1875/1875 [==============================] - 17s 9ms/step - loss: 0.0489 - accuracy: 0.9850 - val_loss: 0.0390 - val_accuracy: 0.9876
Epoch 3/10
1875/1875 [==============================] - 16s 9ms/step - loss: 0.0350 - accuracy: 0.9892 - val_loss: 0.0396 - val_accuracy: 0.9858
Epoch 4/10
1875/1875 [==============================] - 16s 9ms/step - loss: 0.0252 - accuracy: 0.9919 - val_loss: 0.0292 - val_accuracy: 0.9906
Epoch 5/10
1875/1875 [==============================] - 15s 8ms/step - loss: 0.0187 - accuracy: 0.9940 - val_loss: 0.0278 - val_accuracy: 0.9908
Epoch 6/10
1875/1875 [==============================] - 18s 10ms/step - loss: 0.0140 - accuracy: 0.9957 - val_loss: 0.0315 - val_accuracy: 0.9905
Epoch 7/10
1875/1875 [==============================] - 16s 9ms/step - loss: 0.0108 - accuracy: 0.9964 - val_loss: 0.0361 - val_accuracy: 0.9899
Epoch 8/10
1875/1875 [==============================] - 16s 8ms/step - loss: 0.0099 - accuracy: 0.9966 - val_loss: 0.0327 - val_accuracy: 0.9905
Epoch 9/10
1875/1875 [==============================] - 15s 8ms/step - loss: 0.0079 - accuracy: 0.9976 - val_loss: 0.0353 - val_accuracy: 0.9905
Epoch 10/10
1875/1875 [==============================] - 17s 9ms/step - loss: 0.0072 - accuracy: 0.9977 - val_loss: 0.0349 - val_accuracy: 0.9911

5、预测

model.predict是tensorflow用于预测的API，输出所述类别的概率

# 测试集中第一张图片数据
plt.imshow(test_images[1])

在这里插入图片描述

第一张为数字2

# 测试集预测
pre = model.predict(test_images)
# 输出所属类别概率
pre[1]

输出概率：

array([  4.0634604,  -1.2556026,  25.725822 , -12.4212475,  -8.13141  ,
       -17.905268 ,   2.7954185,  -2.617863 ,  -4.929763 , -12.776581 ],
      dtype=float32)

上述输出分别是：属于数字0-9的概率
分析