Tensorflow学习报告
作者：互联网
# -*- coding: utf-8 -*-
"""
Created on Mon Apr 11 23:34:27 2022
@author: Binnie
"""
import tensorflow as tf
from tensorflow import keras
# Helper libraries
import numpy as np
import matplotlib.pyplot as plt
print(tf.__version__)
fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
fashion_mnist = keras.datasets.fashion_mnist
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
len(train_labels)
len(test_labels)
plt.figure()
plt.imshow(train_images[0])
plt.colorbar()
plt.grid(False)
plt.show()
train_images = train_images / 255.0
test_images = test_images / 255.0
plt.figure(figsize=(10,10))
for i in range(25):
plt.subplot(5,5,i+1)
plt.xticks([])
plt.yticks([])
plt.grid(False)
plt.imshow(train_images[i], cmap=plt.cm.binary)
plt.xlabel(class_names[train_labels[i]])
plt.show()
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(128, activation='relu'),
keras.layers.Dense(10)
])
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
model.fit(train_images, train_labels, epochs=10)
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print('\nTest accuracy:', test_acc)
probability_model = tf.keras.Sequential([model,
tf.keras.layers.Softmax()])
predictions = probability_model.predict(test_images)
np.argmax(predictions[0])
def plot_image(i, predictions_array, true_label, img):
predictions_array, true_label, img = predictions_array, true_label[i], img[i]
plt.grid(False)
plt.xticks([])
plt.yticks([])
plt.imshow(img, cmap=plt.cm.binary)
predicted_label = np.argmax(predictions_array)
if predicted_label == true_label:
color = 'blue'
else:
color = 'red'
plt.xlabel("{} {:2.0f}% ({})".format(class_names[predicted_label],
100*np.max(predictions_array),
class_names[true_label]),
color=color)
def plot_value_array(i, predictions_array, true_label):
predictions_array, true_label = predictions_array, true_label[i]
plt.grid(False)
plt.xticks(range(10))
plt.yticks([])
thisplot = plt.bar(range(10), predictions_array, color="#777777")
plt.ylim([0, 1])
predicted_label = np.argmax(predictions_array)
thisplot[predicted_label].set_color('red')
thisplot[true_label].set_color('blue')
i = 0
plt.figure(figsize=(6, 3))
plt.subplot(1, 2, 1)
plot_image(i, predictions[i], test_labels, test_images)
plt.subplot(1, 2, 2)
plot_value_array(i, predictions[i], test_labels)
plt.show()
i = 12
plt.figure(figsize=(6, 3))
plt.subplot(1, 2, 1)
plot_image(i, predictions[i], test_labels, test_images)
plt.subplot(1, 2, 2)
plot_value_array(i, predictions[i], test_labels)
plt.show()
# Plot the first X test images, their predicted labels, and the true labels.
# Color correct predictions in blue and incorrect predictions in red.
num_rows = 5
num_cols = 3
num_images = num_rows * num_cols
plt.figure(figsize=(2 * 2 * num_cols, 2 * num_rows))
for i in range(num_images):
plt.subplot(num_rows, 2 * num_cols, 2 * i + 1)
plot_image(i, predictions[i], test_labels, test_images)
plt.subplot(num_rows, 2 * num_cols, 2 * i + 2)
plot_value_array(i, predictions[i], test_labels)
plt.tight_layout()
plt.show()
# Grab an image from the test dataset.
img = test_images[1]
print(img.shape)
# Add the image to a batch where it's the only member.
img = (np.expand_dims(img, 0))
print(img.shape)
predictions_single = probability_model.predict(img)
print(predictions_single)
plot_value_array(1, predictions_single[0], test_labels)
_ = plt.xticks(range(10), class_names, rotation=45)
np.argmax(predictions_single[0])
运行结果：
第五章课后习题：
（1）Tensorflow和Pytorch
（2）可以直接赋值，也可以使用初始化函数
import tensorflow as tf bias1=tf.Variable(2) bias2=tf.Variable(initial_value=3.)
还有其他更加复杂的初始化方法 如：tf.zeros\tf.zeros_like\tf.ones_like\tf.random.truncated_normal等等
tf.random.truncated_normal和tf.zeros是常常用来进行权值和偏置的初始化方法
（3）序贯式、函数式
#序贯式1
import tensorflow as tf model = tf.keras.Sequential()
#创建一个全连接层，神经元个数为256，输入为784，激活函数为relu
model.add(tf.keras.layers.Dense(256, activation='relu', input_dim=784)) model.add(tf.keras.layers.Dense(128, activation='relu')) model.add(tf.keras.layers.Dense(10, activation='softmax'))
#序贯式2
import tensorflow as tf imput_layer = tf.keras.layers.Input(shape=(784,)) hid1_layer = tf.keras.layers.Dense(256, activation='relu') hid2_layer = tf.keras.layers.Dense(128, activation='relu') output_layers = tf.keras.layers.Dense(10, activation='softmax') #将层的列表传给Sequential的构造函数 model = tf.keras.Sequential(layers=[imput_layer, hid1_layer, hid2_layer, output_layers])
#函数式
import tensorflow as tf
#创建一个模型，包含一个输入层和三个全连接层
inputs = tf.keras.layers.Input(shape=(4)) x=tf.keras.layers.Dense(32,activation='relu')(inputs) x=tf.keras.layers.Dense(64,activation='relu')(x) outputs=tf.keras.layers.Dense(3,activation='softmax')(x) model=tf.keras.Model(inputs=inputs,outputs =outputs)
（4）
import torch data=torch.rand(5,3) print(data)
运行结果：
（5）Keras、Caffe、MXNet、Sonnet、Deeplearning4j
第六章课后习题：
（1）卷积中的局部连接：层间神经只有局部范围内的连接，在这个范围内采用全连接的方式，超过这个范围的神经元则没有连接；连接与连接之间独立参数，相比于去全连接减少了感受域外的连接，有效减少参数规模。
全连接：层间神经元完全连接，每个输出神经元可以获取到所有神经元的信息，有利于信息汇总，常置于网络末尾；连接与连接之间独立参数，大量的连接大大增加模型的参数规模。
（2）利用快速傅里叶变换把图片和卷积核变换到频域，频域把两者相乘，把结果利用傅里叶逆变换得到特征图。
（3）池化操作的作用：对输入的特征图进行压缩,一方面使特征图变小,简化网络计算复杂度;一方面进行特征压缩,提取主要特征。
激活函数的作用：用来加入非线性因素的，解决线性模型所不能解决的问题。
（4） 消除数据之间的量纲差异，便于数据利用与快速计算。
（5） 寻找损失函数的最低点，就像我们在山谷里行走，希望找到山谷里最低的地方。那么如何寻找损失函数的最低点呢？在这里，我们使用了微积分里导数，通过求出函数导数的值，从而找到函数下降的方向或者是最低点（极值点）。损失函数里一般有两种参数，一种是控制输入信号量的权重(Weight, 简称 ），另一种是调整函数与真实值距离的偏差（Bias，简称 ）。我们所要做的工作，就是通过梯度下降方法，不断地调整权重 和偏差b，使得损失函数的值变得越来越小。而随机梯度下降算法只随机抽取一个样本进行梯度计算。
学号：2020310143041
昵称：Binnie
标签：layers,plt,keras,报告,predictions,学习,test,tf,Tensorflow 来源： https://www.cnblogs.com/Binnie/p/16188437.html