tensorflow中fit函数代码 tensorflow函数大全

转载

mob64ca13fe9c58 2024-04-07 14:41:15

文章标签 tensorflow中fit函数代码数据数组正则化 文章分类 机器学习人工智能

文章目录

Tensorflow常用函数

1. 基础
2. 数据处理
3. 网络搭建
4.使用Keras
5. 自制数据（预处理），打包

Tensorflow常用函数

1. 基础

tf.int
tf.float32
tf.float64

tf.constant(张量内容，dtype=数据类型) # 创建张量
tf.convert_to_tensor(数据名，dtype=?) # numpy转tensor
tf.zeros(维度)
tf.ones(维度)
tf.fill(维度，指定值)  # 指定值的张量

tf.random.normal(维度，mean=均值，stddev=标准差)  # 正态分布的随机数
tf.random.truncated_normal(维度，mean=均值，stddev=标准差)  # 断式正态分布的随机数

tf.cast(张量名，dtype)  # 强制转换
tf.reduce_min(张量名)
tf.reduce_max(张量名)
te.reduce_mean(张量名,aixs=?)
te.reduce_sum(张量名,aixs=?)

axis :  
	在一个二维张量或数组中，可以通过调整 axis 等于0或1 控制执行维度。  axis=0代表跨行（经度，down)，而axis=1代表跨列（纬度，across) 如果不指定axis，则所有元素参与计算。

tf.Variable() : 将变量标记为“可训练”，被标记的变量会在反向传播中记录梯度信息。神经网络训练中，常用该函数标记待训练参数。
w = tf.Variable(tf.random.normal([2, 2], mean=0, stddev=1))
四则运算：tf.add(张量1，张量2），tf.subtract，tf.multiply，tf.divide
平方、次方与开方： tf.square，tf.pow，tf.sqrt
矩阵乘：tf.matmul

2. 数据处理

data = tf.data.Dataset.from_tensor_slices((输入特征, 标签))
梯度求解：

# 这个with结构用于记录计算过程
with tf.GradientTape( ) as tape:  
	w = tf.Variable(tf.constant(3.0)) 
	loss = tf.pow(w,2)
grad = tape.gradient(loss,w)   # 计算梯度

enumerate：用于遍历元素

for i, element in enumerate(seq): 
	print(i, element)

np.random.seed(116) # 使用相同的seed，使输入特征/标签一一对应 
np.random.shuffle(x_data) 
np.random.seed(116) 
np.random.shuffle(y_data) 
tf.random.set_seed(116)

3. 网络搭建

tf.one_hot(待转换数据, depth=几分类)：独热编码（one-hot encoding）：在分类问题中，常用独热码做标签，标记类别：1表示是，0表示非。（比如，十分类的问题最终输出，但是只会把概率最大的输出为1，其他输出为0.
tf.nn.softmax(x) 使输出符合概率分布

w.assign_sub (x)  
tf.argmax (张量名,axis=操作轴) # 返回最大值的位置

tf.where(条件语句，真返回A，假返回B)  
c=tf.where(tf.greater(a,b), a, b) # 若a>b，返回a对应位置的元素，否则 返回b对应位置的元素

np.vstack(数组1，数组2)：将两个数组按垂直方向叠加

np.mgrid[ 起始值 : 结束值 : 步长，起始值 : 结束值 : 步长 , … ]  # 类似于等差数组
x, y = np.mgrid [1:3:1, 2:4:0.5]
x.ravel( ) 将x变为一维数组
np.c_[ ] 使返回的间隔数值点配对

损失函数

均方误差：loss=tf.reduce_mean(tf.square(y_-y))
交叉熵：tf.losses.categorical_crossentropy(y_,y)

正则化解决过拟合：正则化在损失函数中引入模型复杂度指标，利用给W加权值，弱化了训练数据的噪声**（一般不正则化b）**
优化器：SGD、SGDM、Adagrad、RMSProp、Adam

4.使用Keras

用Tensorflow API:tf.keras搭建网络八股
六步法
import
train，test
model=tf.keras.models.Sequential
model.compile
model.fit
model.summary

model = tf.keras.models.Sequential ([ 网络结构 ]) #描述各层网络
拉直层： tf.keras.layers.Flatten( )，将数据拉伸为一维数组
全连接层： tf.keras.layers.Dense(神经元个数, activation= "激活函数“ , kernel_regularizer=哪种正则化)

model.compile(optimizer = 优化器, loss = 损失函数 metrics = [“准确率”] )
loss可选:'mse'、'sparse_categorical_crossentropy'
Metrics可选:‘accuracy’、‘categorical_accuracy’ 、‘sparse_categorical_accuracy’（常用）

model.fit (训练集的输入特征, 训练集的标签, 			batch_size= ,	
	epochs= ,
	validation_data=(测试集的输入特征，测试集的标签), 	   validation_split=从训练集划分多少比例给测试集，       validation_freq = 多少次epoch测试一次)

model.summary（） : 返回参数

5. 自制数据（预处理），打包

数据增强

image_gen_train=ImageDataGenerator（
	rescale=1./1.，#如为图像，分母为255时，可归至0~1
	rotation_range=45，#随机45度旋转
	width_shift_range=.15，#宽度偏移
	height_shift_range=.15，#高度偏移
	horizontal_flip=False，#水平翻转
	zoom_range=0.5#将图像随机缩放闽量50%）
image_gen_train.fit（x_train）

断点续训

# 保存模型：使用回调函数callbacks
tf.keras.callbacks.ModelCheckpoint( 
    filepath=路径文件名, 
    save_weights_only=True,  # 是否只保留模型参数
    save_best_only=True,   # 是否只保留最优解
history = model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1, callbacks=[cp_callback])
# 读取模型
model.load_weights(路径文件名)

参数提取：

model.trainable_variables 模型中可训练的参数
np.set_printoptions（threshold=np.inf)

acc/loss可视化

history=model.fit(训练集数据, 训练集标签, batch_size=, epochs=, validation_split=用作测试数据的比例,validation_data=测试集, validation_freq=测试频率)
# 参数设置
history： 
loss：训练集loss 
val_loss：测试集 loss 
sparse_categorical_accuracy：训练集准确率 
val_sparse_categorical_accuracy：测试集准确率
# 一个例子
acc=history.history['sparse_categorical_accuracy']  
valacc=history.history［'val_sparse_categorical accuracy']
loss=history.history['loss']
val loss=history. history['val_loss']