【1-神经网络计算】北京大学TensorFlow2.0

课程地址：【北京大学】Tensorflow2.0_哔哩哔哩_bilibili

Python3.7和TensorFlow2.1

六讲：

1. 神经网络计算：神经网络的计算过程，搭建第一个神经网络模型

2. 神经网络优化：神经网络的优化方法，掌握学习率、激活函数、损失函数和正则化的使用，用Python语言写出SGD、Momentum、Adagrad、RMSProp、Adam五种反向传播优化器

3. 神经网络八股：神经网络搭建八股，六步法写出手写数字识别训练模型

4. 网络八股扩展：神经网络八股扩展，增加自制数据集、数据增强、断点续训、参数提取和acc/loss可视化，实现给图识物的应用程序

5. 卷积神经网络：用基础CNN、LeNet、AlexNet、VGGNet、InceptionNet和ResNet实现图像识别

6. 循环神经网络：用基础RNN、LSTM、GRU实现股票预测

---

课程内容概述

掌握TF2搭建优化神经网络的方法，学会离散数据的分类、连续数据的预测

第一讲：神经网络的计算过程，搭建第一个神经网络模型

1. 准备数据：采集大量“特征/标签”数据

2. 搭建网络：搭建神经网络结构（前向传播）

3. 优化参数：训练网络获取最佳参数（反向传播）

4. 应用网络：将网络封装为模型，输入未曾见过的新数据，输出分类或预测结果（前向传播）

第二讲：神经网络优化

1. SGD（No Momentum）

2. SGD（With Momentum）

3. Adagrad

4. RMSProp

5. Adam

第三讲：神经网络搭建八股，六步法写出手写数字识别训练模型

八股（六步法）：

1. import

2. train test

3. model=tf.keras.modes.Sequential / class MyModel(Model) model=MyModel

4. model.compile

5. model.fit

6. model.summary

第四讲：神经网络八股扩展

1. 自制数据集

2. 数据增强

3. 断点续训

4. 参数提取

5. acc/loss可视化

第五讲：卷积神经网络

输入一张图片 —> 前向推理 —> 输出识别结果

第六讲：循环神经网络

1. RNN

2. LSTM

3. GRU

---

安装实验环境

（一）Anaconda

Anaconda是包含conda环境管理器的Python发行版本

• 若电脑有英伟达GPU，可以安装cudatoolkit和cudnn实现GPU加速（TensorFlow2.1匹配的cudatoolkit版本是10.1，cudnn版本是7.6）

• 若电脑无英伟达GPU，或在安装这两句GPU加速包时报错，很可能是电脑硬件不兼容，可跳过，直接安装TensorFlow

conda install cudatoolkit=10.1
conda install cudnn=7.6
# 上面两句仅用于兼容的英伟达GPU，如报错，可忽略这两句

pip install tensorflow==2.1

在Anaconda Prompt里输入

conda create -n TF2.1 python=3.7   # 新建一个名叫TF2.1的环境，用python3.7版本
conda activate TF2.1   # 进入TF2.1环境
conda install cudatoolkit=10.1   # 安装英伟达的SDK10.1版本
conda install cudnn=7.6   # 安装英伟达深度学习软件包7.6版本
pip install tensorflow==2.1   # 安装TensorFlow，指定2.1版本

# 安装完成后，进入python验证一下是否成功了
python
import tensorflow as tf
tf.__version__   # 若显示版本号，说明安装成功

（二）PyCharm

PyCharm是一个Python IDE（Python集成开发环境）

PyCharm环境配置：

New Project - Project Interpreter：New Virtualenv environment - Existing interpreter - Conda Environment - Interpreter选择TF2.1中的python作为解释器

测试代码test.py：

import tensorflow as tf

tensorflow_version = tf.__version__
gpu_available = tf.test.is_gpu_available()

print("tensorflow version:", tensorflow_version, "\tGPU available:", gpu_available)

a = tf.constant([1.0,2.0], name="a")
b = tf.constant([1.0,2.0], name="b")
result = tf.add(a,b,name="add")
print(result)

---

1 神经网络计算过程及模型搭建

例：鸢尾花数据集，4个特征，3分类问题。搭建包含输入层与输出层的神经网络模型

代码1：backpropagation

假设损失函数为 loss = (w+1)^2，则其对w的偏导数为2w+2；w的初始值为5，学习率lr=0.2

import tensorflow as tf

w = tf.Variable(tf.constant(5, dtype=tf.float32))   # 设定参数w的随机初始值为5，设定为可训练
lr = 0.2
epoch = 40

for epoch in range(epoch):  # for epoch定义顶层循环，表示对数据集循环epoch次，此例数据集数据仅有1个w,初始化时constant赋值为5，循环40次迭代

    # 用with结构让损失函数loss对参数w求梯度
    with tf.GradientTape() as tape:  # with结构到grads框起了梯度的计算过程
        loss = tf.square(w + 1)   # 损失函数为(w+1)^2
    grads = tape.gradient(loss, w)  # .gradient函数告知谁对谁求导

    w.assign_sub(lr * grads)  # .assign_sub对变量做自减 即：w -= lr*grads 即 w = w - lr*grads
    print("After %s epoch,w is %f,loss is %f" % (epoch, w.numpy(), loss))   # 打印出每次训练后的参数w和损失函数loss

# lr初始值：0.2   请自改学习率  0.001  0.999 看收敛过程
# 最终目的：找到 loss 最小 即 w = -1 的最优参数w

TensorFlow2基本用法

基本概念

TensorFlow中数据类型包括：

• tf.int32（32位整型）

• tf.float32（32位浮点），是Tensor默认数据类型

• tf.float64（64位浮点）

• tf.bool（布尔型）

• tf.string（字符串型）

0阶张量（标量，一个单独的数）：如tf.Tensor(2, shape=(), dtype=int32)

1阶张量（向量）：如tf.Tensor([6 7], shape=(2,), dtype=int32) shape中的数字2表示一维张量里有2个元素

二阶张量（矩阵）：如tf.Tensor([[1 2 3] [2 2 3]], shape(2,3), dtype=int32)

张量的阶数与方括号的数量相同
shape的逗号隔开了几个数字，张量就是几维

创建张量的若干种方法：

# 方法一
tf.constant(张量内容，dtype=数据类型（可选）)

# 方法二：将numpy格式化为Tensor格式
tf.convert_to_tensor(数据名，dtype=数据类型（可选）) 

# 方法三
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
# 维度部分，一维直接写个数，二维用[行,列]，多维用[n,m,j,...]

# 方法四
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)   # 数据一定在两倍标准差内，数据更向均值集中
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，[minval,maxval)

常用函数

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


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.reduce_sum(张量名,axis=操作轴)    # 计算张量沿着指定维度的和
# axis=0纵向；axis=1横向；如不指定axis，则表示对所有元素进行操作


tf.argmax(张量名,axis=操作轴)   # 返回张量沿指定维度最大值的索引
# axis=0列；axis=1行


# 四则运算（只有维度相同的张量才可以做四则运算）
tf.add(张量1,张量2)
tf.subtract(张量1,张量2)
tf.multiply(张量1,张量2)
tf.divide(张量1,张量2)


tf.square(张量名)   # 平方
tf.pow(张量名,n次方)   # n次方
tf.sqrt(张量名)   # 开方


tf.matmul(矩阵1,矩阵2)   # 两个矩阵相乘

tf.Variable

可以将变量标记为“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

tf.Variable(initial_value, trainable, validate_shape, name)
# initial_value默认为None，可以搭配TensorFlow随机生成函数来初始化参数
# trainable默认为True，表示可以后期被算法优化的，如果不想该变量被优化，改为False
# validate_shape默认为True，形状不接受更改，若需要更改，改为False
# name默认为None，给变量确定名称

tf.data.Dataset.from_tensor_slices((输入特征,标签))

生成输入特征-标签对，构建数据集，对Tensor与Numpy均适用

tf.GradientTape()

搭配with结构，计算损失函数在某一张量处的梯度（可以在with结构中，使用GradientTape实现某个函数对指定参数的求导运算）

配合Variable函数，可以实现损失函数loss对参数w的求导计算

with tf.GradientTape( ) as tape:
    w = tf.Variable(tf.constant(3.0))
    loss = tf.pow(w,2) 
grad = tape.gradient(loss,w) 
print(grad)   # tf.Tensor(6.0, shape=(), dtype=float32)

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，组合为：索引 元素。常在for循环中使用
# 例子：
seq = ['one', 'two', 'three']
for i, element in enumerate(seq):
    print(i, element)



tf.one_hot(待转换数据,depth=几分类)   # 用独热码表示标签
# 例子：
# depth确定列数，待转换数据中元素的个数确定行数
classes = 3
labels = tf.constant([1,0,2]) 
output = tf.one_hot(labels, depth=classes)
print(output)   # tf.Tensor([[0. 1. 0.] [1. 0. 0.] [0. 0. 1.]], shape=(3, 3), dtype=float32)

# 待转换数据中各元素值应小于depth，若待转换元素值≥depth，则该元素输出编码为[0,0...0,0]
classes = 3
labels = tf.constant([1,4,2]) # 输入的元素值 4 超出 depth-1
output = tf.one_hot(labels,depth=classes)
print(output)  # tf.Tensor([[0. 1. 0.] [0. 0. 0.] [0. 0. 1.]], shape=(3, 3), dtype=float32)
# 元素4对应的输出编码为[0. 0. 0.]



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
# 例子：
y = tf.constant ( [1.01, 2.01, -0.66] )
y_pro = tf.nn.softmax(y)
print("After softmax, y_pro is:", y_pro)  # After softmax, y_pro is: tf.Tensor([0.25598174 0.69583046 0.0481878], shape=(3,), dtype=float32)

softmax函数可以使n分类的n个输出符合概率分布，也就是每个输出值变为0-1之间的概率值，这些概率的和是1

assign_sub  # 实现参数自更新
# 使用前需利用tf.Variable定义变量w为可训练（可自更新）
# 例子：
w = tf.Variable(4)
w.assign_sub(1)  # w-=1，即w=w-1
print(w)  # <tf.Variable 'Variable:0' shape=() dtype=int32, numpy=3>

代码2：datasets.load_iris

from sklearn import datasets
from pandas import DataFrame
import pandas as pd

x_data = datasets.load_iris().data  # .data返回iris数据集所有输入特征
y_data = datasets.load_iris().target  # .target返回iris数据集所有标签
print("x_data from datasets: \n", x_data)
print("=====================================")
print("y_data from datasets: \n", y_data)
print("=====================================")

x_data = DataFrame(x_data, columns=['花萼长度', '花萼宽度', '花瓣长度', '花瓣宽度'])  # 为表格增加行索引（左侧）和列标签（上方）
pd.set_option('display.unicode.east_asian_width', True)  # 设置列名对齐
print("x_data add index: \n", x_data)
print("=====================================")

x_data['类别'] = y_data  # 新加一列，列标签为‘类别’，数据为y_data
print("x_data add a column: \n", x_data)

#类型维度不确定时，建议用print函数打印出来确认效果

150行 4列

150行 5列

代码3：iris（用神经网络实现鸢尾花分类）

1. 准备数据：数据集读入、数据集乱序、生成train和test、把训练集和测试集中的数据配成 [输入特征,标签] 对

2. 搭建网络：定义神经网络中的所有可训练参数

3. 优化可训练参数，利用嵌套循环在with结构中求得损失函数loss对每个可训练参数的偏导数，更改这些可训练参数

4. 为了查看效果，程序中可以加入每遍历一次数据集显示当前准确率，还可以画出准确率acc和损失函数loss的变化曲线图

# -*- 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  # 150行4列
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，保证打乱顺序后输入特征和标签仍然一一对应
np.random.shuffle(x_data)
np.random.seed(116)
np.random.shuffle(y_data)
tf.random.set_seed(116)  # 保证每次运行这个代码文件的结果跟上次运行的结果一样

# 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
# tf.cast(张量名,dtype=数据类型) 强制将Tensor转换为该数据类型
x_train = tf.cast(x_train, tf.float32)
x_test = tf.cast(x_test, tf.float32)

# 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）
# tf.data.Dataset.from_tensor_slices((输入特征,标签))  配成[输入特征，标签]对，每次喂入一小撮(batch)
train_db = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32)  # 每32组数据打包为一个batch
test_db = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)

# 定义神经网络中的所有可训练参数
# 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（只用一层网络，输出节点数就等于分类数）
# tf.random.truncated_normal(维度,mean=均值,stddev=标准差)   默认均值为0、标准差为1。数据一定在两倍标准差内，数据更向均值集中
# 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4个step生成的4个loss的和

# 训练部分（嵌套循环迭代，with结构更新参数，显示当前loss）
for epoch in range(epoch):  # 数据集级别的循环，每个epoch循环一次数据集
    # 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，组合为：索引 元素。常在for循环中使用
    for step, (x_train, y_train) in enumerate(train_db):  # batch级别的循环，每个step循环一个batch
        '''
        在with结构中计算前向传播的预测结果y，计算损失函数loss；
        loss分别对参数w1和b1计算偏导数，更新参数w1和b1的值，打印出这一轮epoch后的损失函数值
        '''
        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])   # 嵌套循环loss对w1和b1求偏导

        # 实现梯度更新 w1 = w1 - lr * w1_grad    b = b - lr * b_grad
        # 每个step更新参数w1和b1
        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
    '''
    因为训练集有120组数据，batch=32，每个step只能喂入32组数据，
    需要batch级别循环4次，所以loss/4，求得每次step迭代的平均loss
    '''
    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（计算当前参数前向传播后的准确率，显示当前准确率acc）
    '''
    希望每个epoch循环后可以显示当前模型的效果，即识别准确率，
    故在epoch循环中又嵌套了一个batch级别的循环
    '''
    # 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
    # 测试时会遍历测试集中的所有数据
    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  # 计算前向传播的预测结果y
        y = tf.nn.softmax(y)   # 变为概率分布
        pred = tf.argmax(y, axis=1)  # 返回y中最大值的索引，即预测的分类（axis=1为横向）
        pred = tf.cast(pred, dtype=y_test.dtype)   # 将pred转换为y_test即标签的数据类型
        correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)  # 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.reduce_sum(correct)  # 将每个batch的correct数加起来
        total_correct += int(correct)  # 将所有batch中的correct数加起来
        total_number += x_test.shape[0]  # 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
    # 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()