Python深度学习之Tensorflow基础前言Tensorflow基础

100 阅读 0 评论 66 点赞

我是靠谱客的博主开朗纸飞机，这篇文章主要介绍Python深度学习之Tensorflow基础前言Tensorflow基础，现在分享给大家，希望可以做个参考。

前言

本文参考Andrew Ng deeplearning.ai 所作笔记，tensorflow为2.x版本

Tensorflow基础

文章目录

前言
Tensorflow基础
- 一、数据预处理
- - 1、获取数据
  - 2、tf.cast() 和 tf.reshape()
  - 3、map()
- 二、正向传播初始化
- - 1、tf.constant() ,tf.add(),tf.matmul() 介绍
  - 2、tf.keras.activitations.sigmoid() & tf.keras.activations.relu计算激活
  - 3、tf.one_hot(label, depth,axis=0) 创建onehot编码
  - 3、tf.variable() 初始化网络参数w和b
  - 4、tf.keras.losses.binary_crossentropy计算交叉熵损失
- 四、训练模型
- reference

一、数据预处理

1、获取数据

复制代码

1
2
3
4
5
6
7
8
import h5py
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
from tensorflow.python.framework.ops import EagerTensor
from tensorflow.python.ops.resource_variable_ops import ResourceVariable
import time

读取hdf5文件

复制代码

1
2
3
train_dataset = h5py.File('datasets/train_signs.h5', "r")
test_dataset = h5py.File('datasets/test_signs.h5', "r")

Tensorflow获取训练集和测试集,获取的四个变量类型为“TensorSliceDataset”

复制代码

1
2
3
4
5
x_train = tf.data.Dataset.from_tensor_slices(train_dataset['train_set_x'])
y_train = tf.data.Dataset.from_tensor_slices(train_dataset['train_set_y'])
x_test = tf.data.Dataset.from_tensor_slices(test_dataset['test_set_x'])
y_test = tf.data.Dataset.from_tensor_slices(test_dataset['test_set_y'])

这些数据类型是迭代器类型的

复制代码

1
2
3
4
5
print(x_train.element_spec)
print(y_train.element_spec)
print(x_test.element_spec)
print(y_test.element_spec)

out:

复制代码

1
2
3
4
5
TensorSpec(shape=(64, 64, 3), dtype=tf.uint8, name=None)
TensorSpec(shape=(), dtype=tf.int64, name=None)
TensorSpec(shape=(64, 64, 3), dtype=tf.uint8, name=None)
TensorSpec(shape=(), dtype=tf.int64, name=None)

可以看到，这些图像矩阵大小为64x64x3,想要查看矩阵的具体内容，需要迭代器或者for+print()

复制代码

1
2
3
4
5
6
7
8
# [法一]

print(next(iter(x_train)))
# [法二]
for element in x_train:
print(element)
break

2、tf.cast() 和 tf.reshape()

分别为数据类型转换和矩阵重组函数，通常采用float32类型

数据正则化，转为列向量：

复制代码

1
2
3
4
5
def normalize(image):
image = tf.cast(image, tf.float32) / 256.0
image = tf.reshape(image, [-1,1])
return image

3、map()

如果想要把函数作用于数据，可以使用map()

复制代码

1
2
3
new_train = x_train.map(normalize)
new_test = x_test.map(normalize)

这样，训练数据类型为：

复制代码

1
2
TensorSpec(shape=(12288, 1), dtype=tf.float32, name=None)

二、正向传播初始化

1、tf.constant() ,tf.add(),tf.matmul() 介绍

复制代码

1
2
3
4
5
X = tf.constant(np.random.randn(3,1), name = "X")
W = tf.constant(np.random.randn(4,3), name = "W")
b = tf.constant(np.random.randn(4,1), name = "b")
Y = tf.add(tf.matmul(W,X), b, name = "Y")

2、tf.keras.activitations.sigmoid() & tf.keras.activations.relu计算激活

3、tf.one_hot(label, depth,axis=0) 创建onehot编码

label是一个scalar或者vector，depth不同种类的标签数，axis=0表示新的维度产生在行

比如输入为一个标量

复制代码

1
2
3
4
label = tf.constant(0)
depth = 4
tf.one_hot(label, depth, axis=0)

out:

复制代码

1
2
3
4
5
6
tf.Tensor(
[[0.]
[1.]
[0.]
[0.]], shape=(4, 1), dtype=float32)

输入为一个行向量

复制代码

1
2
3
4
label = tf.constant([1,2])
depth = 4
tf.one_hot(label, depth, axis=0)

out:

复制代码

1
2
3
4
5
6
tf.Tensor(
[[0. 0.]
[1. 0.]
[0. 1.]
[0. 0.]], shape=(4, 2), dtype=float32)

3、tf.variable() 初始化网络参数w和b

随机初始化w和b——用(-1,1)之间的高斯分布填充

复制代码

1
2
3
4
5
6
7
initializer = tf.keras.initializers.GlorotNormal(seed=1)
W = tf.Variable(initializer(shape = (25,12288)))
b = tf.Variable(initializer(shape = (25,1)))
parameters = {"W": W1,
"b": b1}
return parameters

其他方法（仅供参考）

复制代码

1
2
3
w = tf.Variable(tf.random_normal([25，12288], stddev=0),name=“w”)
b = tf.Variable(tf.zeros([25,1]), name=“b”)

tf.variable()类型的数据是变量，tf.constant()类型数据是常量（不可改变）

4、tf.keras.losses.binary_crossentropy计算交叉熵损失

复制代码

1
2
cost = tf.reduce_mean(tf.keras.losses.binary_crossentropy(y_true = labels, y_pred = logits, from_logits=True))

四、训练模型

基本都是套路

复制代码

def model(X_train, Y_train, X_test, Y_test, learning_rate = 0.0001,
num_epochs = 1500, minibatch_size = 32, print_cost = True):
costs = []
# To keep track of the cost
# Initialize your parameters
parameters = initialize_parameters()
W1 = parameters['W1']
b1 = parameters['b1']
W2 = parameters['W2']
b2 = parameters['b2']
W3 = parameters['W3']
b3 = parameters['b3']
optimizer = tf.keras.optimizers.SGD(learning_rate)
X_train = X_train.batch(minibatch_size, drop_remainder=True).prefetch(8)# <<< extra step

Y_train = Y_train.batch(minibatch_size, drop_remainder=True).prefetch(8) # loads memory faster 
# Do the training loop
for epoch in range(num_epochs):
epoch_cost = 0.
for (minibatch_X, minibatch_Y) in zip(X_train, Y_train):
# Select a minibatch
with tf.GradientTape() as tape:
# 1. predict
Z3 = forward_propagation(minibatch_X, parameters)
# 2. loss
minibatch_cost = compute_cost(Z3, minibatch_Y)
trainable_variables = [W1, b1, W2, b2, W3, b3]
grads = tape.gradient(minibatch_cost, trainable_variables)
optimizer.apply_gradients(zip(grads, trainable_variables))
epoch_cost += minibatch_cost / minibatch_size
# Print the cost every epoch
if print_cost == True and epoch % 10 == 0:
print ("Cost after epoch %i: %f" % (epoch, epoch_cost))
if print_cost == True and epoch % 5 == 0:
costs.append(epoch_cost)
# Plot the cost
plt.plot(np.squeeze(costs))
plt.ylabel('cost')
plt.xlabel('iterations (per fives)')
plt.title("Learning rate =" + str(learning_rate))
plt.show()
# Save the parameters in a variable
print ("Parameters have been trained!")
return parameters

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
def model(X_train, Y_train, X_test, Y_test, learning_rate = 0.0001,
num_epochs = 1500, minibatch_size = 32, print_cost = True):
costs = []
# To keep track of the cost
# Initialize your parameters
parameters = initialize_parameters()
W1 = parameters['W1']
b1 = parameters['b1']
W2 = parameters['W2']
b2 = parameters['b2']
W3 = parameters['W3']
b3 = parameters['b3']
optimizer = tf.keras.optimizers.SGD(learning_rate)
X_train = X_train.batch(minibatch_size, drop_remainder=True).prefetch(8)# <<< extra step

Y_train = Y_train.batch(minibatch_size, drop_remainder=True).prefetch(8) # loads memory faster 
# Do the training loop
for epoch in range(num_epochs):
epoch_cost = 0.
for (minibatch_X, minibatch_Y) in zip(X_train, Y_train):
# Select a minibatch
with tf.GradientTape() as tape:
# 1. predict
Z3 = forward_propagation(minibatch_X, parameters)
# 2. loss
minibatch_cost = compute_cost(Z3, minibatch_Y)
trainable_variables = [W1, b1, W2, b2, W3, b3]
grads = tape.gradient(minibatch_cost, trainable_variables)
optimizer.apply_gradients(zip(grads, trainable_variables))
epoch_cost += minibatch_cost / minibatch_size
# Print the cost every epoch
if print_cost == True and epoch % 10 == 0:
print ("Cost after epoch %i: %f" % (epoch, epoch_cost))
if print_cost == True and epoch % 5 == 0:
costs.append(epoch_cost)
# Plot the cost
plt.plot(np.squeeze(costs))
plt.ylabel('cost')
plt.xlabel('iterations (per fives)')
plt.title("Learning rate =" + str(learning_rate))
plt.show()
# Save the parameters in a variable
print ("Parameters have been trained!")
return parameters

reference

deeplearning.ai by Andrew Ng on Couresa

最后

以上就是开朗纸飞机最近收集整理的关于Python深度学习之Tensorflow基础前言Tensorflow基础的全部内容，更多相关Python深度学习之Tensorflow基础前言Tensorflow基础内容请搜索靠谱客的其他文章。

本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。

本文分类：python深度学习
浏览次数：100 次浏览
发布日期：2023-11-28 01:50:04
本文链接：https://www.kaopuke.com/article/k-p-k_13_u_23_o_10_f1_12__7__10_1.html

Python深度学习之Tensorflow基础前言Tensorflow基础

前言

Tensorflow基础

文章目录

一、数据预处理

1、获取数据

2、tf.cast() 和 tf.reshape()

3、map()

二、正向传播初始化

1、tf.constant() ,tf.add(),tf.matmul() 介绍

2、tf.keras.activitations.sigmoid() & tf.keras.activations.relu计算激活

3、tf.one_hot(label, depth,axis=0) 创建onehot编码

3、tf.variable() 初始化网络参数w和b

4、tf.keras.losses.binary_crossentropy计算交叉熵损失

四、训练模型

reference

最后

评论列表共有 0 条评论

发表评论取消回复

Python深度学习之Tensorflow基础前言Tensorflow基础

前言

Tensorflow基础

文章目录

一、数据预处理

1、获取数据

2、tf.cast() 和 tf.reshape()

3、map()

二、正向传播初始化

1、tf.constant() ,tf.add(),tf.matmul() 介绍

2、tf.keras.activitations.sigmoid() & tf.keras.activations.relu计算激活

3、tf.one_hot(label, depth,axis=0) 创建onehot编码

3、tf.variable() 初始化网络参数w和b

4、tf.keras.losses.binary_crossentropy计算交叉熵损失

四、训练模型

reference

最后

相关文章

评论列表共有 0 条评论

发表评论 取消回复

微信扫一扫：分享

发表评论取消回复