3.1张量、计算图、会话

定义：

基于tensorflow的NN：用张量表示数据，用结算图搭建神经网络，用会话执行计算图，优化线上                                        的权重（参数），得到模型

张量（tensor）       :   多维数组（列表）

阶                            ：张量的维度

张量可以表示 0阶到n阶数组（列表）

维数	阶	名字	例子
0-D	0	标量 scalar	s = 123
1-D	1	向量 vector	v = [1, 2, 3] ，（向量和矩阵的定义应该是来自线性代数）
2-D	2	矩阵 matrix	m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
n-D	n	张量 tensor	t = [[[[... (n阶张量有n对[]，可以用[的个数判断是几阶张量)

数据类型： tf.float32     tf.int32   ....

例子

import tensorflow as tf

a = tf.constant([1.0, 2.0])
b = tf.constant([3.o, 4.0])

result = a + b
print result

# 显示如下
Tensor("add:0", shape=(2，), dtype=float32)

显示结果解释如下

显示结果解释

Tensor(	“add:	0",	shape=	(2,),	dtype=float32)
	节点名	第0个输出	维度	一维数组长度为2	数据类型

shape参数解释

# 伪代码 解释shape 参数意义
# 设 a b1 b2 b3 c1_b1_1 c2_b1_2 等 为tensorflow库中常张量
# b1 b2等定义在伪代码末
a = [
      [[1,2,3,4],[2,3,4,5]],
      [[3,4,5,6],[4,5,6,7]],
      [[5,6,7,8],[6,7,8,9]]
                              ]
# 这时 print a 的结果为 
# Tensor("const_4:0", shape=(3，2，4), dtype=int32)
# 张量a有三个b 所以a的长度为3 即为 shape 中第一个参数3的含义
# 同理 shape 中第二个参数2的含义 为b中有三个子张量
# shape 中 4 为 向量c 中元素个数。
# 在本例中 
# a是3-D张量(或3维数组)
# b为2-D张量(二维数组)
# c为一维向量(一维数组)
b1 =  [
        [1,2,3,4],
        [2,3,4,5]
                  ]

b2 =  [
        [3,4,5,6],
        [4,5,6,7]
                  ]

b3 =  [
        [5,6,7,8],
        [6,7,8,9]
                  ]

c1_b1_1 = [1,2,3,4]
c2_b1_2 = [2,3,4,5]
c3_b2_1 = [3,4,5,6]
c4_b2_2 = [4,5,6,7]
c5_b3_1 = [5,6,7,8]
c6_b3_2 = [6,7,8,9]

# 那么 a b  可以用 b和c 表示

b1 = [c1_b1_1, c2_b1_2]
b2 = [c3_b2_1, c4_b2_2]
b3 = [c5_b3_1, c6_b3_2]

a = [
     b1,
     b2,
     b3
    ] 

a = [
     [c1_b1_1,c2_b1_2],
     [c3_b2_1,c4_b2_2],
     [c5_b3_1,c6_b3_2]
                        ]

vim设置 

在Linux终端中输入 vim ~/.vimrc ,然后写入：

# 设置tab键等于4个空格，并使vim显示行号。
set ts = 4
set nu

视频中使用了 cd ~ ，作用是回到当前用户家目录

具体可以参考（https://blog.csdn.net/qq_31279347/article/details/82947545）

计算图（Graph）：搭建神经网络的计算过程，只搭建，不运算。运算要在会话（Session）中进行

会话（Session）:  执行计算图中的节点运算。

上图即为一个简单的神经元，下面使用代码进行神经元计算。

# 上图可以用公式 y = x * w 
# 等价于 y= x1 * w1 + x2 * w2
# 表示,其中x, w为向量 
# 下面将假设x, w的值和结构，并求y

import tensorflow as tf

# 搭建图
x = tf.constant([[1.0, 2.0]])
w = tf.constant([[3.0], [4.0]])


y= tf.matmul(x, y)
print y

# 使用Session()计算图
# with 语句后面需要 ： 总是忘记
with tf.Session() as sess:
    print sess.run(y)

#输出为
Tensor("matmul:0", shape(1,1), dtype float32)
[[11.]]

 视频中提到更改bashrc文件，更新警告设置。bashrc相关内容，可以参考（https://www.cnblogs.com/midworld/p/11006967.html）

3.2前向传播

参数：即上图中的权重w ，用变量表示，随机给初值。

w= tf.Variable(tf.random_normal([2, 3], stddev=2, mean=0, seed=1))

其中 [2,3] 表示变量的形状（shape）是[2, 3], stddev表示标准差，mean表示均值，seed 表示随机种子，为1表示，每次生成的结果一致。

常用分布方式

tf.random_normal()	正态分布
tf.truncated_normal()	去掉过大偏离点的正态分布(偏离两个标准差将重新生成)
tf.random_uniform()	平均分布

常用其他产生变量函数

tf.zero	全零数组	tf.zeros([3,2],int32)生成[[0,0],[0,0],[0,0]]
tf.ones	全一数组	tf.ones([3,2],int32)生成[[1,1],[1,1],[1,]]
tf.fill	全定值数组	tf.fill([3, 2],6)生成[[6,6],[6,6],[6,6]]
tf.constant	直接给值	tf.constant([3,2,1])生成[3,2,1]

神经网络实现过程：

1.准备数据集，提取特征，作为输入喂给神经网络（Netural Network: NN）

2.搭建NN结构，输入到输出（先搭建计算图，再用会话执行）

       （NN前向传播算法，计算输出）

3.大量特征数据喂给NN，迭代优化NN参数

         （NN反向传播算法，优化参数训练模型）

4.使用训练好多模型预测和分类。

前向传播：搭建模型，实现推理（以全连接网络为例）

eg.生产一批零件将体积x1和重量x2作为特征输入NN，通过NN后输出一个数值。

变量初始化、计算图节点运算都要用到（with）结构实现

with tf.Session() as sess:
    sess.run()

变量初始化：在sess.run()函数中用tf.global_variables_inittializer() 主要针对的应该是tf.Variable()生成变量的初始化，

init_op = tf.global_variabales_initializer()
sess.run(init_op)

计算图节点运算：在在sess.run()函数中写入带运算的节点

# 前面3.1节用到的 
sess.run(y)

用tf.placeholder占位，在sess.run函数中用feed_dict 喂数据

#喂一组数据

x = tf.placeholder(tf.float32,shape(1,2))
sess.run(y, feed_dict{x:[[0.1,0.2]]})

#喂多组数据

x = tf.placeholder(tf.float32,shape(None,2))
sess.run(y, feed_dict{x:[[0.1,0.2],[0.4,0.6],[0.5,0.2]]})

tf.3_3.py 、 tf3_4.py 和tf3_5.py 代码如下

#tf3_3.py 
#coding:utf-8
#两层简神经元网络（全连接）
import tensorflow as tf

#定义输入和参数
x = tf.constant([[0.5, 0.7]])
w1 = tf.Variable(tf.random_normal([2,3], stddev=2, seed=1))
w2 = tf.Variable(tf.random_normal([3,1], stddev=2, seed=1))

#定义前项传播过程
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)

#用会话计算结果
with tf.Session() as sess:
	init_op = tf.global_variables_initializer()
	sess.run(init_op)
	print "y in tf3_3.py is:\n",sess.run(y,)

#tf3_4.py 
#coding:utf-8
#两层简神经元网络（全连接）
import tensorflow as tf

#定义输入和参数
#使用placeholder实现输入定义(sess.run中喂一组数据）
x = tf.placeholder(tf.float32, [1,2])
w1 = tf.Variable(tf.random_normal([2,3], stddev=2, seed=1))
w2 = tf.Variable(tf.random_normal([3,1], stddev=2, seed=1))

#定义前项传播过程
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)

#用会话计算结果
with tf.Session() as sess:
	init_op = tf.global_variables_initializer()
	sess.run(init_op)
	print "y in tf3_4.py is:\n",sess.run(y, feed_dict={x:[[0.5, 0.7]]})

#tf3_5.py 
#coding:utf-8
#两层简神经元网络（全连接）
import tensorflow as tf

#定义输入和参数
x = tf.placeholder(tf.float32, [None,2])
w1 = tf.Variable(tf.random_normal([2,3], stddev=2, seed=1))
w2 = tf.Variable(tf.random_normal([3,1], stddev=2, seed=1))

#定义前项传播过程
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)

#用会话计算结果
with tf.Session() as sess:
	init_op = tf.global_variables_initializer()
	sess.run(init_op)
	print "y in tf3_5.py is:\n",sess.run(y, feed_dict={x:[[0.5, 0.7],[0.3,0.5],[0.4,0.2],[0.1,0.3]]})
    print "w1:\n",sess.run(w1)
    print "w2:\n",sess.run(w2)
    

3.3反向传播

反向传播：训练模型参数，在所有参数上用梯度下降，使NN模型在训练数据上的损失函数最小。

损失函数(loss)：预测值(y)与已知答案(y_)的差距

求损失函数的常用方法MSE: 

 

式中yt为已知答案

在tf 中可以使用 求损失函数

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

反向传播训练方法：以减小loss 值为优化目标

# tf中常用的反向传播训练方法
# loss 为损失函数
train = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)
train = tf.train.MomentumOptimizer(learning_rate,loss).minimize(loss)
train = tf.train.AdamOptimizer(learning_rate).minimize(loss)

学习率 ：决定参数每次更新的幅度，使用时可以先填一个比较小的值，比如0.001.但是如果过小，收敛会比较慢。

优化器部分可以参考大佬的文章https://blog.csdn.net/weixin_40170902/article/details/80092628/

下面附上tf3_6.py的代码

#coding:utf-8

import tensorflow as tf
import numpy as np
BATCH_SIZE = 8
seed =23455

# 基于seed产生随机数
# random.RandomState()和 rand()都来自numpy库
rng = np.random.RandomState(seed)
# 随机数返回32行2列的矩阵 表示32组 体积和重量 作为输入数据集
X = rng.rand(32,2)
# 将Y作为数据集的标签(正确答案)，注意 Y 应是一个32行一列的矩阵，
# 所以 Y 有两个 [[]]
Y = [[int(a+b<1)]    for a,b in X]
print "X:\n",X
print "Y:\n",Y

# 1定义神经网络的输入，参数和输出，定义前向传播过程。
x = tf.placeholder(tf.float32, (None, 2))
y_= tf.placeholder(tf.float32, (None, 1))
w1 = tf.Variable(tf.random_normal([2,3], stddev=2, seed=1))
w2 = tf.Variable(tf.random_normal([3,1], stddev=2, seed=1))

a = tf.matmul(x, w1)
y = tf.matmul(a, w2)

# 2定义损失函数及反向传播算法
loss = tf.reduce_mean(tf.square(y-y_))
train_step = tf.train.GradientDescentOptimizer(0.001).minimize(loss)
#train_step = tf.train.MomentumOptimizer(0.001,0.9).minimize(loss)
#train_step = tf.train.AdamOptimizer(0.001).minimize(loss)

# 3生成会话，训练STEPS轮
with tf.Session() as sess:
	init_op = tf.global_variables_initializer()
	sess.run(init_op)
#	print "y in tf3_3.py is:\n",sess.run(y, feed_dict={x:[[0.5, 0.7]]})
# 未经训练时的参数取值。
	print "w1:\n", sess.run(w1)
	print "w2:\n", sess.run(w2)
	print "\n"

#  训练模型
	STEPS = 3000
	for i in range(STEPS):
		start = (i*BATCH_SIZE) % 32
		end   = start + BATCH_SIZE
		sess.run(train_step, feed_dict={x: X[start:end], y_: Y[start:end]})
		if (i % 500) == 0 :
			total_loss = sess.run(loss,feed_dict={x: X,y_: Y})
			print ("After %d step(s),loss on all data is %g" %(i,total_loss))
#   输出训练后的参数
	print "\n"
	print "w1\n", sess.run(w1)
	print "w2\n", sess.run(w2)
 

另外，Linux下vim编辑器不能同时使用 tab键 和 空格键 使python程序结构对齐，否则会出现报错