tensorflow神经网络

heeheeai2024-06-30 10:42

训练一个图像识别模型，使用TensorFlow，需要以下步骤。

1. 安装所需的库

首先，确保安装了TensorFlow和其他所需的库。

bash 复制代码 
pip install tensorflow numpy matplotlib

2. 数据准备

需要收集和准备训练数据。每个类别应有足够多的样本图像。假设有以下目录结构：

catanddog/
  train/
  	cat/
      cat1.jpg
      cat2.jpg
      ...
  	dog/
      dog1.jpg
      dog2.jpg
      ...
 val/
  cat/
    cat1.jpg
    cat2.jpg
    ...
  dog/
    dog1.jpg
    dog2.jpg
    ...

3. 训练模型

import tensorflow as tf
from keras import layers, models, preprocessing, src
import matplotlib.pyplot as plt

# 设置数据目录和基本参数
data_dir = r'pathto\catanddog\train'
val_dir = r'pathto\catanddog\val'
batch_size = 32
img_height = 256
img_width = 256

# 加载训练数据和验证数据
train_ds = preprocessing.image_dataset_from_directory(
    data_dir,
    validation_split=0.2,
    subset="training",
    seed=123,
    image_size=(img_height, img_width),
    batch_size=batch_size)

val_ds = preprocessing.image_dataset_from_directory(
    val_dir,
    validation_split=0.2,
    subset="validation",
    seed=123,
    image_size=(img_height, img_width),
    batch_size=batch_size)

num_classes = len(train_ds.class_names)

model = models.Sequential([
    layers.experimental.preprocessing.Rescaling(1. / 255, input_shape=(img_height, img_width, 3)),
    layers.Conv2D(32, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    layers.Flatten(),
    layers.Dense(128, activation='relu'),
    layers.Dense(num_classes)
])

model.compile(optimizer='adam',
              loss=src.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

epochs = 10
history = model.fit(
    train_ds,
    validation_data=val_ds,
    epochs=epochs,
    verbose=0
)

loss, accuracy = model.evaluate(
    val_ds,
    verbose=0
)
print(f'Validation Accuracy: {accuracy * 100:.2f}%')
# model.save('my_image_classifier_model')

acc = history.history['accuracy']
val_acc = history.history['val_accuracy']

loss = history.history['loss']
val_loss = history.history['val_loss']

epochs_range = range(epochs)

plt.figure(figsize=(8, 8))
plt.subplot(1, 2, 1)
plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')

plt.subplot(1, 2, 2)
plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

3. 载入并使用模型

可以载入模型并用来预测新的图像。

python 复制代码 
import numpy as np
import tensorflow as tf
from keras import preprocessing
from keras.preprocessing import image


batch_size = 32
img_height = 256
img_width = 256
data_dir = r'D:\py\tvr_search_py\robot\test\catanddog\train'

train_ds = preprocessing.image_dataset_from_directory(
    data_dir,
    validation_split=0.2,
    subset="training",
    seed=123,
    image_size=(img_height, img_width),
    batch_size=batch_size)

# 载入模型
new_model = tf.keras.models.load_model('my_image_classifier_model')

# 加载新图像并进行预测
img = image.load_img('path_to_image.jpg', target_size=(img_height, img_width))
img_array = image.img_to_array(img)
img_array = tf.expand_dims(img_array, 0)  # Create a batch

predictions = new_model.predict(img_array)
score = tf.nn.softmax(predictions[0])

print(
    f'This image most likely belongs to {train_ds.class_names[np.argmax(score)]} with a {100 * np.max(score):.2f}% confidence.')

在 TensorFlow 中，模型的输入可以有多种类型，具体取决于模型的任务和数据类型。以下是一些常见的输入类型及其演示：

1. 数值数据

这是最常见的输入类型，通常用于回归、分类等任务。数据可以是标量、向量或矩阵。

示例：

python 复制代码 
import tensorflow as tf

# 创建一个简单的数值输入
input_data = tf.constant([[1.0, 2.0], [3.0, 4.0]], dtype=tf.float32)

# 查看输入数据的形状和内容
print(input_data.shape)
print(input_data)

2. 图像数据

图像数据通常是三维张量 (height, width, channels)，用于图像分类、目标检测等任务。

示例：

python 复制代码 
import tensorflow as tf

# 创建一个简单的图像输入
input_image = tf.random.uniform([1, 224, 224, 3], minval=0, maxval=255, dtype=tf.float32)

# 查看输入图像的形状和内容
print(input_image.shape)
print(input_image)

3. 文本数据

文本数据通常需要先转换为数值表示（如词嵌入），然后输入到模型中，用于自然语言处理任务。

示例：

python 复制代码 
import re
import tensorflow as tf
from keras.preprocessing.text import Tokenizer
from keras.preprocessing.sequence import pad_sequences

# 文本预处理函数
def preprocess_text(text):
    text = text.lower()
    text = re.sub(r'\d+', '', text)
    text = re.sub(r'\s+', ' ', text)
    text = re.sub(r'[^\w\s]', '', text)
    return text

# 示例文本
texts = ["TensorFlow is great!", "Deep learning is fun.123"]
texts = [preprocess_text(text) for text in texts]

# 标记化
tokenizer = Tokenizer(num_words=10000)
tokenizer.fit_on_texts(texts)
sequences = tokenizer.texts_to_sequences(texts)

# 填充序列
padded_sequences = pad_sequences(sequences, maxlen=10, padding='post')

# 转换为 TensorFlow 张量
input_text = tf.constant(padded_sequences, dtype=tf.int32)

# 使用词嵌入层
embedding_dim = 17
embedding_layer = tf.keras.layers.Embedding(input_dim=10001, output_dim=embedding_dim, input_length=10)
embedded_text = embedding_layer(input_text)

# 打印结果
print("预处理后的文本:", texts)
print("标记化后的序列:", sequences)
print("填充后的序列:", padded_sequences)
print("TensorFlow 张量:", input_text)
print("嵌入后的张量:", embedded_text)
# 预处理后的文本: ['tensorflow is great', 'deep learning is fun']
# 标记化后的序列: [[2, 1, 3], [4, 5, 1, 6]]
# 填充后的序列: [[2 1 3 0 0 0 0 0 0 0]
#  [4 5 1 6 0 0 0 0 0 0]]
# TensorFlow 张量: tf.Tensor(
# [[2 1 3 0 0 0 0 0 0 0]
#  [4 5 1 6 0 0 0 0 0 0]], shape=(2, 10), dtype=int32)

1. embedding_dim = 17

  • 这一行代码定义了一个变量 embedding_dim 并将其设置为 17。这个变量表示词嵌入向量的维度。
  • 在自然语言处理中，词嵌入是一种将单词或短语映射到向量空间的技术。每个单词都被表示为一个固定长度的向量，向量中的每个维度都捕捉了单词的某个语义或语法特征。
  • embedding_dim = 17 意味着每个单词将被表示为一个 17 维的向量。选择合适的词嵌入维度取决于具体任务和数据集，较高的维度可以捕捉更丰富的语义信息，但同时也需要更多的计算资源。

2. embedding_layer = tf.keras.layers.Embedding(input_dim=10001, output_dim=embedding_dim, input_length=10)

  • 这一行代码创建了一个 Embedding 层，它是 Keras 中用于创建词嵌入的专用层。
  • input_dim=10001：表示词汇表的大小，即预处理后文本中不同单词的数量加 1（为填充字符预留）。
  • output_dim=embedding_dim：表示词嵌入向量的维度，这里设置为 17。
  • input_length=10：表示输入序列的长度，这里设置为 10，对应于 padded_sequences 的最大长度。

3. embedded_text = embedding_layer(input_text)

  • 这一行代码将填充后的序列 input_text 输入到 embedding_layer 中，并生成词嵌入向量。

  embedded_text

是一个三维张量，形状为

  (2, 10, 17)

。

  • 第一个维度 2 表示输入文本的数量，这里有两条文本。
  • 第二个维度 10 表示每个文本的长度，这里使用填充将所有文本的长度统一为 10。
  • 第三个维度 17 表示词嵌入向量的维度。

输出结果:

输出结果是一个形状为 (2, 10, 16) 的三维张量，表示两条文本中每个单词的 16 维词嵌入向量。

例如，第一个文本 "tensorflow is great" 经过填充后的序列为 [1, 2, 3, 0, 0, 0, 0, 0, 0, 0]，其中 0 表示填充字符。对应的词嵌入向量为：

[[[-0.01889086  0.02348514 -0.04170756 -0.04268375  0.03772486
    0.03088665 -0.02063656 -0.00143475 -0.026736   -0.03964931
   -0.02771591  0.02521246  0.02762744 -0.00984129 -0.04461357
   -0.03767222]
  [-0.03398576  0.03681654 -0.02431354 -0.00297396 -0.01513106
    0.0441416   0.02587901  0.03331259  0.0112533  -0.00660671
    0.04405805  0.01980801 -0.00511179  0.01538323 -0.02712256
   -0.04685336]
  [ 0.00687842 -0.01249961 -0.02635675  0.02918926  0.04762733
   -0.03880459 -0.04112499  0.02023909  0.0091761   0.01187869
   -0.00196468  0.03988435 -0.02325816 -0.02871184 -0.04859355
    0.02443638]
  [-0.00037427  0.04066718  0.00626834 -0.02625518  0.00462795
    0.03884902 -0.03606526  0.02097193  0.00697005 -0.01942869
   -0.01482763 -0.00727338 -0.02129263 -0.04389117  0.03297056
   -0.04073428]
  [-0.00037427  0.04066718  0.00626834 -0.02625518  0.00462795
    0.03884902 -0.03606526  0.02097193  0.00697005 -0.01942869
   -0.01482763 -0.00727338 -0.02129263 -0.04389117  0.03297056
   -0.04073428]
  [-0.00037427  0.04066718  0.00626834 -0.02625518  0.00462795
    0.03884902 -0.03606526  0.02097193  0.00697005 -0.01942869
   -0.01482763 -0.00727338 -0.02129263 -0.04389117  0.03297056
   -0.04073428]
  [-0.00037427  0.04066718  0.00626834 -0.02625518  0.00462795
    0.03884902 -0.03606526  0.02097193  0.00697005 -0.01942869
   -0.01482763 -0.00727338 -0.02129263 -0.04389117  0.03297056
   -0.04073428]
  [-0.00037427  0.04066718  0.00626834 -0.02625518  0.00462795
    0.03884902 -0.03606526  0.02097193  0.00697005 -0.01942869
   -0.01482763 -0.00727338 -0.02129263 -0.04389117  0.03297056
   -0.04073428]
  [-0.00037427  0.04066718  0.00626834 -0.02625518  0.00462795
    0.03884902 -0.03606526  0.02097193  0.00697005 -0.01942869
   -0.01482763 -0.00727338 -0.02129263 -0.04389117  0.03297056
   -0.04073428]
  [-0.00037427  0.04066718  0.00626834 -0.02625518  0.00462795
    0.03884902 -0.03606526  0.02097193  0.00697005 -0.01942869
   -0.01482763 -0.00727338 -0.02129263 -0.04389117  0.03297056
   -0.04073428]]

 [[-0.00132978 -0.02348002  0.01830829 -0.00459145 -0.02217191
    0.02216411  0.04343477 -0.00993406  0.0316517   0.03698149
    0.04016591  0.00189328 -0.04925721  0.01351226 -0.02017572
    0.02345656]
  [-0.02350061 -0.03900225 -0.01904428  0.03463939  0.03406594
   -0.04820945 -0.03303381 -0.03742113  0.01837304  0.01201123
    0.04579991  0.01358552 -0.02370699 -0.04097022 -0.00252974
   -0.03313807]
  [-0.03398576  0.03681654 -0.02431354 -0.00297396 -0.01513106
    0.0441416   0.02587901  0.03331259  0.0112533  -0.00660671
    0.04405805  0.01980801 -0.00511179  0.01538323 -0.02712256
   -0.04685336]
  [-0.00618689 -0.03246289  0.03646472 -0.03447432 -0.01843069
    0.00831794  0.03363832  0.04087973  0.02494806  0.03231419
   -0.04925386 -0.00529685 -0.02625616 -0.00804206 -0.00050756
    0.03180924]
  [-0.00037427  0.04066718  0.00626834 -0.02625518  0.00462795
    0.03884902 -0.03606526  0.02097193  0.00697005 -0.01942869
   -0.01482763 -0.00727338 -0.02129263 -0.04389117  0.03297056
   -0.04073428]
  [-0.00037427  0.04066718  0.00626834 -0.02625518  0.00462795
    0.03884902 -0.03606526  0.02097193  0.00697005 -0.01942869
   -0.01482763 -0.00727338 -0.02129263 -0.04389117  0.03297056
   -0.04073428]
  [-0.00037427  0.04066718  0.00626834 -0.02625518  0.00462795
    0.03884902 -0.03606526  0.02097193  0.00697005 -0.01942869
   -0.01482763 -0.00727338 -0.02129263 -0.04389117  0.03297056
   -0.04073428]
  [-0.00037427  0.04066718  0.00626834 -0.02625518  0.00462795
    0.03884902 -0.03606526  0.02097193  0.00697005 -0.01942869
   -0.01482763 -0.00727338 -0.02129263 -0.04389117  0.03297056
   -0.04073428]
  [-0.00037427  0.04066718  0.00626834 -0.02625518  0.00462795
    0.03884902 -0.03606526  0.02097193  0.00697005 -0.01942869
   -0.01482763 -0.00727338 -0.02129263 -0.04389117  0.03297056
   -0.04073428]
  [-0.00037427  0.04066718  0.00626834 -0.02625518  0.00462795
    0.03884902 -0.03606526  0.02097193  0.00697005 -0.01942869
   -0.01482763 -0.00727338 -0.02129263 -0.04389117  0.03297056
   -0.04073428]]], shape=(2, 10, 16), dtype=float32)

其中，第一个向量 [-0.01889086, 0.02348514, ..., -0.03767222] 表示单词 "tensorflow" 的词嵌入向量，第二个向量表示单词 "is" 的词嵌入向量，以此类推。

4. 时间序列数据

时间序列数据通常是二维或三维张量 (timesteps, features)，用于时间序列预测、序列标注等任务。

示例：

python 复制代码 
import tensorflow as tf

# 创建一个简单的时间序列输入
input_sequence = tf.random.uniform([10, 5], dtype=tf.float32)

# 查看输入序列的形状和内容
print(input_sequence.shape)
print(input_sequence)

5. 多输入模型

一些复杂的模型可能需要多种类型的输入，例如图像和文本的结合。

示例：

python 复制代码 
import tensorflow as tf

# 创建图像输入
input_image = tf.keras.layers.Input(shape=(224, 224, 3), name='image_input')

# 创建文本输入
input_text = tf.keras.layers.Input(shape=(10,), name='text_input')

# 查看输入的形状
print(input_image.shape)
print(input_text.shape)

TensorFlow 模型的输出取决于具体的模型类型和任务：

1. 分类任务

单标签分类（Binary Classification）

对于单标签分类任务，模型输出通常是一个值在 [0, 1] 之间的概率，表示输入样本属于正类的概率。

python 复制代码 
# 示例代码
import tensorflow as tf

# 假设输入数据
inputs = tf.keras.Input(shape=(32,))
# 简单的全连接层模型
outputs = tf.keras.layers.Dense(1, activation='sigmoid')(inputs)
model = tf.keras.Model(inputs, outputs)

# 输出
predictions = model.predict(tf.random.normal([1, 32]))
print(predictions)  # 输出: [[0.6782345]]

输出的格式是一个形状为 (batch_size, 1) 的数组，每个元素是一个概率值。

多标签分类（Multi-class Classification）

对于多标签分类任务，模型输出是一个向量，向量中的每个元素表示该样本属于对应类别的概率。这些概率之和为 1。

python 复制代码 
# 示例代码
inputs = tf.keras.Input(shape=(32,))
outputs = tf.keras.layers.Dense(10, activation='softmax')(inputs)
model = tf.keras.Model(inputs, outputs)

# 输出
predictions = model.predict(tf.random.normal([1, 32]))
print(predictions)  # 输出: [[0.1, 0.05, 0.1, 0.05, 0.2, 0.1, 0.05, 0.05, 0.2, 0.1]]

输出的格式是一个形状为 (batch_size, num_classes) 的数组。

2. 回归任务

对于回归任务，模型输出是一个连续的实数值。

python 复制代码 
# 示例代码
inputs = tf.keras.Input(shape=(32,))
outputs = tf.keras.layers.Dense(1)(inputs)
model = tf.keras.Model(inputs, outputs)

# 输出
predictions = model.predict(tf.random.normal([1, 32]))
print(predictions)  # 输出: [[3.56789]]

输出的格式是一个形状为 (batch_size, 1) 的数组。

3. 分割任务（例如语义分割）

对于语义分割任务，模型输出通常是一个与输入图像相同尺寸的张量，每个像素点对应一个类别概率向量。

python 复制代码 
# 示例代码
inputs = tf.keras.Input(shape=(256, 256, 3))
outputs = tf.keras.layers.Conv2D(21, (1, 1), activation='softmax')(inputs)
model = tf.keras.Model(inputs, outputs)

# 输出
predictions = model.predict(tf.random.normal([1, 256, 256, 3]))
print(predictions.shape)  # 输出: (1, 256, 256, 21)

输出的格式是一个形状为 (batch_size, height, width, num_classes) 的数组。

4. 目标检测任务

对于目标检测任务，模型输出通常包含边界框坐标和每个边界框的类别概率。

python 复制代码 
# 示例代码
inputs = tf.keras.Input(shape=(256, 256, 3))
# 假设一个简单的模型输出
boxes = tf.keras.layers.Dense(4)(inputs)  # 4 个坐标值
scores = tf.keras.layers.Dense(21, activation='softmax')(inputs)  # 21 个类别概率
model = tf.keras.Model(inputs, [boxes, scores])

# 输出
predictions = model.predict(tf.random.normal([1, 256, 256, 3]))
print(predictions[0].shape)  # 输出: (1, 256, 256, 4)
print(predictions[1].shape)  # 输出: (1, 256, 256, 21)

输出的格式通常是一个列表，包含两个张量：一个是边界框坐标 (batch_size, num_boxes, 4)，另一个是类别概率 (batch_size, num_boxes, num_classes)。

5. 序列生成任务（例如机器翻译）

对于序列生成任务，模型输出是一个序列，通常使用词汇表中的索引表示生成的词。

python 复制代码 
# 示例代码
inputs = tf.keras.Input(shape=(None,))
outputs = tf.keras.layers.LSTM(10, return_sequences=True)(inputs)
model = tf.keras.Model(inputs, outputs)

# 输出
predictions = model.predict(tf.random.normal([1, 5, 10]))
print(predictions.shape)  # 输出: (1, 5, 10)

输出的格式是一个形状为 (batch_size, sequence_length, vocab_size) 的数组。

preprocessing.image_dataset_from_directory

"""从目录中的图像文件生成tf.data.Dataset。

如果您的目录结构如下：

main_directory/

...class_a/

...a_image_1.jpg

...a_image_2.jpg

...class_b/

...b_image_1.jpg

...b_image_2.jpg

那么调用 `image_dataset_from_directory(main_directory,
labels='inferred')` 将返回一个 `tf.data.Dataset`，该数据集会从子目录 `class_a` 和 `class_b` 中产生图像批次，同时还会生成标签 0 和 1（0 对应 `class_a`，1 对应 `class_b`）。

支持的图像格式：`.jpeg`、`.jpg`、`.png`、`.bmp`、`.gif`。动画 GIF 会被截断为第一帧。

参数:
    directory: 数据所在的目录。
        如果 `labels` 是 `"inferred"`，则应包含子目录，每个子目录包含一个类别的图像。
        否则，将忽略目录结构。
    labels: 标签类型，可以是 `"inferred"`（从目录结构生成标签）、`None`（无标签）、或与图像文件数量相同的整数标签列表或元组。标签应按照图像文件路径的字母数字顺序排列（通过 `os.walk(directory)` 获得）。
    label_mode: 描述 `labels` 编码的字符串。选项包括：
        - `"int"`：标签编码为整数（例如用于 `sparse_categorical_crossentropy` 损失）。
        - `"categorical"`：标签编码为分类向量（例如用于 `categorical_crossentropy` 损失）。
        - `"binary"`：标签编码为 `float32` 标量，取值为 0 或 1（例如用于 `binary_crossentropy` 损失）。
        - `None`：无标签。
    class_names: 只有在 `labels` 是 `"inferred"` 时有效。这是类别名称的显式列表（必须与子目录的名称匹配）。用于控制类别的顺序（否则使用字母数字顺序）。
    color_mode: `"grayscale"`、`"rgb"` 或 `"rgba"` 之一。默认为 `"rgb"`。指定图像将转换为具有 1、3 或 4 个通道。
    batch_size: 数据批次的大小。如果为 `None`，则数据不会被分批（数据集会生成单个样本）。默认为 32。
    image_size: 从磁盘读取图像后调整大小的尺寸，指定为 `(height, width)`。由于管道处理必须具有相同大小的图像批次，因此必须提供此参数。默认为 `(256, 256)`。
    shuffle: 是否对数据进行洗牌。默认为 `True`。如果设置为 `False`，则按字母数字顺序排序数据。
    seed: 用于洗牌和转换的随机种子（可选）。
    validation_split: 介于 0 和 1 之间的浮点数，保留用于验证的数据比例（可选）。
    subset: 要返回的数据子集之一。可以是 `"training"`、`"validation"` 或 `"both"`。仅在设置了 `validation_split` 时使用。当 `subset="both"` 时，工具返回两个数据集的元组（分别为训练和验证数据集）。
    interpolation: 调整图像大小时使用的插值方法。默认为 `"bilinear"`。支持 `"bilinear"`、`"nearest"`、`"bicubic"`、`"area"`、`"lanczos3"`、`"lanczos5"`、`"gaussian"`、`"mitchellcubic"`。
    follow_links: 是否访问符号链接指向的子目录。默认为 `False`。
    crop_to_aspect_ratio: 如果为 `True`，则调整图像大小时不会扭曲长宽比。当原始长宽比与目标长宽比不同时，输出图像将被裁剪，以返回匹配目标长宽比的最大可能窗口（尺寸为 `image_size`）。默认为 `False`，可能不会保留长宽比。
    **kwargs: 旧版本的关键字参数。

返回值:

一个 `tf.data.Dataset` 对象。

- 如果 `label_mode` 是 `None`，则会生成形状为 `(batch_size, image_size[0], image_size[1], num_channels)` 的 `float32` 张量，表示图像（有关 `num_channels` 的规则，请参阅下文）。
- 否则，会生成一个元组 `(images, labels)`，其中 `images` 的形状为 `(batch_size, image_size[0], image_size[1], num_channels)`，而 `labels` 遵循下文描述的格式。

关于标签格式的规则：

- 如果 `label_mode` 是 `"int"`，则标签是形状为 `(batch_size,)` 的 `int32` 张量。
- 如果 `label_mode` 是 `"binary"`，则标签是形状为 `(batch_size, 1)` 的 `float32` 张量，取值为 0 和 1。
- 如果 `label_mode` 是 `"categorical"`，则标签是形状为 `(batch_size, num_classes)` 的 `float32` 张量，表示类别索引的独热编码。

关于生成图像的通道数的规则：

- 如果 `color_mode` 是 `"grayscale"`，则图像张量中有 1 个通道。
- 如果 `color_mode` 是 `"rgb"`，则图像张量中有 3 个通道。
- 如果 `color_mode` 是 `"rgba"`，则图像张量中有 4 个通道。
"""
python 复制代码 
配置模型以进行训练。

def configure_model_for_training(optimizer, loss, metrics, loss_weights=None,
                                 weighted_metrics=None, run_eagerly=None,
                                 steps_per_execution=1, jit_compile=False,
                                 pss_evaluation_shards=0, **kwargs):
    model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=1e-3),
                loss=tf.keras.losses.BinaryCrossentropy(),
                metrics=[tf.keras.metrics.BinaryAccuracy(),
                         tf.keras.metrics.FalseNegatives()])
  • directory：字符串，包含图像文件的目录路径。该目录中的子目录将被视为不同的类。
  • labels：字符串或列表，表示标签类型。如果是 "inferred"，将自动从子目录名推断标签。如果是 None，则不返回标签。还可以传递一个与图像文件匹配的标签列表。
  • label_mode：字符串，表示返回标签的类型。可以是 "int"、"categorical" 或 "binary"。默认是 "int"。
  • class_names：可选，指定类名的列表。如果不提供，则自动从子目录名中推断。
  • color_mode：字符串，表示图像的颜色模式。可以是 "grayscale"、"rgb" 或 "rgba"。默认是 "rgb"。
  • batch_size：整数，表示每个批次的图像数量。默认是 32。
  • image_size：整数元组，表示调整后的图像大小 (height, width)。默认是 (256, 256)。
  • shuffle：布尔值，表示是否在训练过程中对数据进行随机打乱。默认是 True。
  • seed：整数，用于随机数生成的种子，以确保数据打乱的一致性。可选。
  • validation_split：浮点数，表示数据集的一部分将用于验证（值在 0 和 1 之间）。可选。
  • subset：字符串，表示数据集的子集，可以是 "training" 或 "validation"。仅在 validation_split 被设置时使用。
  • interpolation：字符串，表示图像调整大小时使用的插值方法。可以是 "bilinear"、"nearest" 等。默认是 "bilinear"。
  • follow_links：布尔值，表示是否跟随符号链接。默认是 False。
  • crop_to_aspect_ratio：布尔值，表示是否裁剪图像以适应目标宽高比，而不是默认的调整大小。默认是 False。
  • **kwargs：额外的关键字参数，用于传递到底层的 tf.data.Dataset API。

此函数返回一个 tf.data.Dataset 对象，用于训练、验证或测试模型。

compile 是 Keras 中用于配置模型训练过程的方法。以下是各参数的详细解释：

  • optimizer：字符串或 tf.keras.optimizers.Optimizer 实例，用于指定优化器。常用的优化器有 "sgd"、"adam"、"rmsprop" 等。默认是 "rmsprop"。
  • loss：字符串或 tf.keras.losses.Loss 实例，表示损失函数。可以是 "mse"、"categorical_crossentropy" 等。也可以是一个字典，针对不同的输出指定不同的损失函数。
  • metrics：列表，包含评估模型表现的指标。可以是 "accuracy"、"mae" 等字符串，也可以是 tf.keras.metrics.Metric 实例。
  • loss_weights：列表或字典，表示损失函数的权重。用于多输出模型，为每个输出指定不同的权重。
  • weighted_metrics：列表，包含需要加权计算的指标。
  • run_eagerly：布尔值，表示是否在 Eager Execution 模式下运行。默认为 None，即自动选择。
  • steps_per_execution：整数，每次执行的步数。提高该值可以减少与 Python 解释器的交互。默认为 1。
  • jit_compile：布尔值，表示是否使用 XLA 编译以加速训练。默认为 None。
  • pss_evaluation_shards：整数，用于配置分布式训练时评估阶段的分片数。默认为 0。
  • **kwargs：额外的关键字参数，用于传递给底层的编译方法。

在 Keras 中，有几种常见的方法来加载和预处理数据集。

1. 使用 Keras 内置数据集

Keras 自带了一些常用的数据集，可以直接使用。例如 MNIST、CIFAR-10、CIFAR-100 等。

from keras.datasets import mnist, cifar10

# 加载 MNIST 数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 加载 CIFAR-10 数据集
(x_train, y_train), (x_test, y_test) = cifar10.load_data()
Explain

这些数据集会自动下载并缓存到 ~/.keras/datasets 目录下。

2. 使用 TensorFlow Datasets

TensorFlow Datasets 是一个更强大的工具，提供了很多预定义的数据集，可以方便地加载和使用。

首先，需要安装 TensorFlow Datasets：

pip install tensorflow-datasets
ExplainExplain

然后，可以使用如下代码加载数据集：

import tensorflow_datasets as tfds

# 加载 MNIST 数据集
ds_train, ds_test = tfds.load('mnist', split=['train', 'test'], as_supervised=True)

# 预处理函数
def preprocess(image, label):
    image = tf.cast(image, tf.float32) / 255.0
    return image, label

# 应用预处理并批处理数据
ds_train = ds_train.map(preprocess).batch(32)
ds_test = ds_test.map(preprocess).batch(32)

3. 从文件系统加载自定义数据集

如果有自己的数据集，可以使用 tf.keras.preprocessing.image_dataset_from_directory 方法从目录中加载图像数据集。

假设数据集按照如下结构组织：

data/
    train/
        class1/
        class2/
        ...
    validation/
        class1/
        class2/
        ...
ExplainExplain

可以使用以下代码加载数据：

import tensorflow as tf
from keras.preprocessing import image_dataset_from_directory

# 加载训练集
train_dataset = image_dataset_from_directory(
    'data/train',
    image_size=(224, 224),
    batch_size=32,
    label_mode='int'  # 或者 'categorical', 'binary'
)

# 加载验证集
validation_dataset = image_dataset_from_directory(
    'data/validation',
    image_size=(224, 224),
    batch_size=32,
    label_mode='int'
)
ExplainExplain

然后，可以对数据集进行预处理，例如归一化：

normalization_layer = tf.keras.layers.Rescaling(1./255)

train_dataset = train_dataset.map(lambda x, y: (normalization_layer(x), y))
validation_dataset = validation_dataset.map(lambda x, y: (normalization_layer(x), y))

4. 自定义数据生成器

对于更复杂的情况，可以自定义数据生成器。继承 keras.utils.Sequence 类，并实现 __len__ 和 __getitem__ 方法。

python 复制代码 
import numpy as np
import keras
from keras.utils import Sequence

class MyDataGenerator(Sequence):
    def __init__(self, image_filenames, labels, batch_size):
        self.image_filenames, self.labels = image_filenames, labels
        self.batch_size = batch_size

    def __len__(self):
        return int(np.ceil(len(self.image_filenames) / float(self.batch_size)))

    def __getitem__(self, idx):
        batch_x = self.image_filenames[idx * self.batch_size:(idx + 1) * self.batch_size]
        batch_y = self.labels[idx * self.batch_size:(idx + 1) * self.batch_size]

        return np.array([
            load_image(file_name) for file_name in batch_x]), np.array(batch_y)

# 示例函数，加载图像
def load_image(file_name):
    import cv2
    image = cv2.imread(file_name)
    image = cv2.resize(image, (150, 150))
    return image / 255.0

# 使用自定义数据生成器
image_filenames = ["path/to/image1.jpg", "path/to/image2.jpg", ...]
labels = [0, 1, ...]

my_data_gen = MyDataGenerator(image_filenames, labels, batch_size=32)

5. 使用 tf.data.Dataset API

对于更复杂的数据处理需求，可以使用 tf.data.Dataset API。

例如，从 TFRecord 文件加载数据：

import tensorflow as tf

def parse_tfrecord_fn(example):
    # 解析 TFRecord 文件的示例
    feature_description = {
        'image': tf.io.FixedLenFeature([], tf.string),
        'label': tf.io.FixedLenFeature([], tf.int64),
    }
    example = tf.io.parse_single_example(example, feature_description)
    image = tf.io.decode_jpeg(example['image'])
    image = tf.image.resize(image, [224, 224])
    label = example['label']
    return image, label

# 创建 TFRecord 文件路径列表
tfrecord_files = ['data/train.tfrecords']

# 创建 Dataset 对象
dataset = tf.data.TFRecordDataset(tfrecord_files)
dataset = dataset.map(parse_tfrecord_fn)
dataset = dataset.batch(32)

# 对验证集执行类似操作

此方法用于配置模型的优化器、损失函数和评估指标，确保模型在训练过程中以期望的方式进行优化和评估。

model.compile(

optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),

loss=tf.keras.losses.CategoricalCrossentropy(from_logits=True),

metrics=[tf.keras.metrics.CategoricalAccuracy(), tf.keras.metrics.AUC()],

loss_weights=[0.7, 0.3],

weighted_metrics=[tf.keras.metrics.MeanSquaredError()],

run_eagerly=False,

steps_per_execution=10,

jit_compile=True,

pss_evaluation_shards=2,

**kwargs

)

layer组件

基本层对象

  • Layer: Keras中所有层的基类。所有自定义层都应该继承自这个类。
  • Input: 用于定义模型的输入，返回一个tensor。
  • InputLayer: 用于将输入数据转换为Keras张量。

激活层

  • ELU: 指数线性单元激活函数。
  • LeakyReLU: 带有负斜率的ReLU激活函数。
  • PReLU: Parametric ReLU，每个输入通道有一个可学习的参数。
  • ReLU: 修正线性单元激活函数。
  • Softmax: 用于多分类问题的激活函数，将输入张量转换为概率分布。
  • ThresholdedReLU: 带有阈值的ReLU激活函数。

注意力层

  • AdditiveAttention: 加性注意力机制层。
  • Attention: 点积注意力机制层。
  • MultiHeadAttention: 多头注意力机制层。

卷积层

  • Conv1D / Convolution1D: 一维卷积层。
  • Conv1DTranspose / Convolution1DTranspose: 一维转置卷积层。
  • Conv2D / Convolution2D: 二维卷积层。
  • Conv2DTranspose / Convolution2DTranspose: 二维转置卷积层。
  • Conv3D / Convolution3D: 三维卷积层。
  • Conv3DTranspose / Convolution3DTranspose: 三维转置卷积层。
  • DepthwiseConv1D: 一维深度可分离卷积层。
  • DepthwiseConv2D: 二维深度可分离卷积层。
  • SeparableConv1D / SeparableConvolution1D: 一维可分离卷积层。
  • SeparableConv2D / SeparableConvolution2D: 二维可分离卷积层。

核心层

  • Activation: 应用激活函数。
  • Dense: 全连接层。
  • EinsumDense: 用Einstein求和约定进行矩阵运算的全连接层。
  • Embedding: 嵌入层，将正整数（索引）转换为密集向量。
  • Identity: 恒等层，不改变输入。
  • Lambda: 包装任意表达式作为层。
  • Masking: 用于跳过输入的时间步。

本地连接层

  • LocallyConnected1D: 一维局部连接层。
  • LocallyConnected2D: 二维局部连接层。

合并层

  • Add / add: 加法合并层。
  • Average / average: 平均合并层。
  • Concatenate / concatenate: 拼接合并层。
  • Dot / dot: 点积合并层。
  • Maximum / maximum: 最大值合并层。
  • Minimum / minimum: 最小值合并层。
  • Multiply / multiply: 乘法合并层。
  • Subtract / subtract: 减法合并层。

正则化层

  • ActivityRegularization: 在训练时添加活动正则化项。
  • AlphaDropout: 保留均值和方差的dropout。
  • Dropout: 随机丢弃输入神经元。
  • GaussianDropout: 添加高斯噪声的dropout。
  • GaussianNoise: 添加高斯噪声。
  • SpatialDropout1D: 一维空间dropout。
  • SpatialDropout2D: 二维空间dropout。
  • SpatialDropout3D: 三维空间dropout。

池化层

  • AveragePooling1D / AvgPool1D: 一维平均池化层。
  • AveragePooling2D / AvgPool2D: 二维平均池化层。
  • AveragePooling3D / AvgPool3D: 三维平均池化层。
  • GlobalAveragePooling1D / GlobalAvgPool1D: 一维全局平均池化层。
  • GlobalAveragePooling2D / GlobalAvgPool2D: 二维全局平均池化层。
  • GlobalAveragePooling3D / GlobalAvgPool3D: 三维全局平均池化层。
  • GlobalMaxPooling1D / GlobalMaxPool1D: 一维全局最大池化层。
  • GlobalMaxPooling2D / GlobalMaxPool2D: 二维全局最大池化层。
  • GlobalMaxPooling3D / GlobalMaxPool3D: 三维全局最大池化层。
  • MaxPooling1D / MaxPool1D: 一维最大池化层。
  • MaxPooling2D / MaxPool2D: 二维最大池化层。
  • MaxPooling3D / MaxPool3D: 三维最大池化层。

预处理层

  • CategoryEncoding: 类别编码层。
  • Discretization: 离散化层。
  • HashedCrossing: 哈希交叉层。
  • Hashing: 哈希层。
  • CenterCrop: 中心裁剪层。
  • RandomBrightness: 随机亮度调整层。
  • RandomContrast: 随机对比度调整层。
  • RandomCrop: 随机裁剪层。
  • RandomFlip: 随机翻转层。
  • RandomHeight: 随机高度调整层。
  • RandomRotation: 随机旋转层。
  • RandomTranslation: 随机平移层。
  • RandomWidth: 随机宽度调整层。
  • RandomZoom: 随机缩放层。
  • Rescaling: 缩放层。
  • Resizing: 尺寸调整层。
  • IntegerLookup: 整数查找层。
  • Normalization: 标准化层。
  • StringLookup: 字符串查找层。
  • TextVectorization: 文本向量化层。

形状调整层

  • Cropping1D: 一维裁剪层。
  • Cropping2D: 二维裁剪层。
  • Cropping3D: 三维裁剪层。
  • Flatten: 展平层。
  • Permute: 维度置换层。
  • RepeatVector: 重复向量层。
  • Reshape: 重塑层。
  • UpSampling1D: 一维上采样层。
  • UpSampling2D: 二维上采样层。
  • UpSampling3D: 三维上采样层。
  • ZeroPadding1D: 一维零填充层。
  • ZeroPadding2D: 二维零填充层。
  • ZeroPadding3D: 三维零填充层。

RNN层

  • AbstractRNNCell: 抽象RNN单元。
  • RNN: RNN层。
  • Wrapper: RNN包装器层。
  • Bidirectional: 双向RNN层。
  • ConvLSTM1D: 一维卷积LSTM层。
  • ConvLSTM2D: 二维卷积LSTM层。
  • ConvLSTM3D: 三维卷积LSTM层。
  • GRU: 门控循环单元层。
  • GRUCell: 门控循环单元。
  • LSTM: 长短期记忆网络层。
  • LSTMCell: LSTM单元。
  • SimpleRNN: 简单RNN层。
  • SimpleRNNCell: 简单RNN单元。
  • StackedRNNCells: 堆叠RNN单元。
  • TimeDistributed: 时间分布层。

序列化

  • deserialize: 反序列化层。
  • serialize: 序列化层。

fit方法的参数详细说明：

参数：

  • x: 输入数据。可以是：

    • Numpy数组（或类似数组），或数组列表（如果模型有多个输入）。
    • TensorFlow张量，或张量列表（如果模型有多个输入）。
    • 如果模型有命名输入，则为将输入名称映射到相应数组/张量的字典。
    • tf.data数据集。
    • 返回(inputs, targets)或(inputs, targets, sample_weights)的生成器或keras.utils.Sequence。

  • y: 目标数据。与输入数据类似，可以是：

    • Numpy数组（或类似数组），或数组列表（如果模型有多个输出）。
    • TensorFlow张量，或张量列表（如果模型有多个输出）。
    • 如果模型有命名输出，则为将输出名称映射到相应数组/张量的字典。
    • 如果x是数据集、生成器或keras.utils.Sequence实例，则不应指定y（因为目标将从x中获取）。

  • batch_size : 整数或None。每次梯度更新的样本数。如果未指定，batch_size将默认为32。

  • epochs : 整数。训练模型的轮数。一个epoch是对提供的整个x和y数据的迭代。

  • verbose: 'auto'，0，1或2。冗长模式。0=静默，1=进度条，2=每个epoch一行。

  • callbacks : keras.callbacks.Callback实例的列表。训练期间要应用的回调列表。

  • validation_split: 0到1之间的浮点数。用于验证数据的训练数据比例。模型将分离这一比例的训练数据，不会对其进行训练，并在每个epoch结束时评估损失和任何模型指标。

  • validation_data: 在每个epoch结束时评估损失和任何模型指标的数据。应为：

    • 元组(x_val, y_val)或(x_val, y_val, val_sample_weights)。
    • tf.data数据集。

  • shuffle : 布尔值（在每个epoch之前是否打乱训练数据）或字符串（用于'batch'）。默认为True。'batch'是用于处理使用batch()构建的tf.data数据集的特殊选项。

  • class_weight: 可选字典，将类索引（整数）映射到训练期间从该类中获取样本时应用于模型损失的权重（浮点数）。这对于告诉模型"更加关注"来自代表性不足的类的样本很有用。

  • sample_weight : 可选的Numpy数组，用于对训练样本的权重进行缩放（仅在训练期间）。可以传递与输入样本长度相同的一维Numpy数组，或者对于时间数据，可以传递形状为(samples, sequence_length)的二维数组。

  • initial_epoch: 整数。开始训练的epoch（对于恢复先前的训练运行很有用）。

  • steps_per_epoch : 整数或None。在宣布一个epoch完成并开始下一个epoch之前的总步骤数（样本批次）。对于输入张量（如TensorFlow数据张量），默认值None等于数据集中样本数除以批量大小，如果无法确定，则为1。

  • validation_steps : 仅在提供了validation_data并且是tf.data数据集时相关。在每个epoch结束时执行验证之前要绘制的总步骤数（样本批次）。如果validation_steps为None，验证将运行直到耗尽validation_data数据集。如果是无限重复数据集，则除非指定validation_steps，否则会陷入无限循环。

  • validation_batch_size : 整数或None。每个验证批次的样本数。如果未指定，将默认为batch_size。

  • validation_freq : 仅在提供了验证数据时相关。整数或collections.abc.Container实例（例如列表，元组等）。如果是整数，指定在执行新验证之前运行多少个训练epoch，例如，validation_freq=2表示每2个epoch进行一次验证。如果是Container，指定运行验证的epoch，例如，validation_freq=[1, 2, 10]表示在第1、第2和第10个epoch结束时运行验证。

  • max_queue_size : 整数。仅用于生成器或keras.utils.Sequence输入。生成器队列的最大大小。如果未指定，max_queue_size将默认为10。

  • workers : 整数。仅用于生成器或keras.utils.Sequence输入。用于数据加载的工作线程数。如果未指定，workers将默认为1。

  • use_multiprocessing : 布尔值。仅用于生成器或keras.utils.Sequence输入。如果True，使用基于进程的线程。如果未指定，use_multiprocessing将默认为False。

这些参数允许对训练过程进行广泛的定制和控制，适应各种数据格式、训练策略和计算资源。

python
Copy Code
import numpy as np
from keras.models import Sequential
from keras.layers import Dense

# 生成示例数据
x_train = np.random.rand(1000, 20)
y_train = np.random.randint(2, size=(1000, 1))
x_val = np.random.rand(200, 20)
y_val = np.random.randint(2, size=(200, 1))

# 创建模型
model = Sequential([
    Dense(64, activation='relu', input_shape=(20,)),
    Dense(64, activation='relu'),
    Dense(1, activation='sigmoid')
])

# 编译模型
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# 使用fit函数训练模型
history = model.fit(
    x_train, y_train,
    epochs=10,
    batch_size=32,
    validation_data=(x_val, y_val),
    callbacks=None,  # 可选：传入回调函数列表
    verbose=1,       # 可选：0 = 静默, 1 = 进度条, 2 = 每轮一个日志行
    steps_per_epoch=None,  # 可选：None表示每轮使用全部数据
    validation_steps=None,  # 可选：None表示每轮使用全部验证数据
    validation_batch_size=None,  # 可选：使用批量大小与训练相同
    validation_freq=1,  # 可选：每轮都进行验证
    max_queue_size=10,  # 可选：生成器队列的最大尺寸
    workers=1,  # 可选：用于生成器的最大进程数量
    use_multiprocessing=False,  # 可选：是否使用多进程数据生成
    shuffle=True,  # 可选：是否在每轮结束时打乱数据
    class_weight=None,  # 可选：为各类样本赋予权重
    sample_weight=None,  # 可选：为各样本赋予权重
    initial_epoch=0,  # 可选：开始训练的轮次
    steps_per_execution=None  # 可选：每次执行的步数
)

Keras中的evaluate方法用于在给定数据集上评估模型的性能。：

python 复制代码 
def evaluate(
    self,
    x=None,
    y=None,
    batch_size=None,
    verbose="auto",
    sample_weight=None,
    steps=None,
    callbacks=None,
    max_queue_size=10,
    workers=1,
    use_multiprocessing=False,
    return_dict=False,
    **kwargs,
):

优化器

在 TensorFlow 中，优化器是用于更新和调整模型参数（即权重和偏置）的算法。优化器根据损失函数的梯度来调整参数，以最小化（或最大化）损失函数。

1. 前向传播（Forward Pass）

在前向传播过程中，输入数据通过模型的各层，计算出预测值（输出）。例如，假设有一个简单的线性回归模型：

python 复制代码 
import tensorflow as tf

# 假设输入数据
x = tf.random.normal([10, 1])
# 假设真实标签
y_true = tf.random.normal([10, 1])

# 定义模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(1)
])

# 获取预测值
y_pred = model(x)

2. 计算损失（Loss Calculation）

损失函数用于量化预测值与真实值之间的差距。例如，使用均方误差（MSE）作为损失函数：

python 复制代码 
# 定义损失函数
loss_fn = tf.keras.losses.MeanSquaredError()

# 计算损失
loss = loss_fn(y_true, y_pred)

3. 计算梯度（Gradient Calculation）

通过反向传播（backpropagation）算法，计算损失函数相对于模型参数的梯度。TensorFlow 提供了 tf.GradientTape 来记录操作以计算梯度：

python 复制代码 
# 使用 GradientTape 计算梯度
with tf.GradientTape() as tape:
    y_pred = model(x)
    loss = loss_fn(y_true, y_pred)

# 获取模型参数
trainable_vars = model.trainable_variables

# 计算梯度
gradients = tape.gradient(loss, trainable_vars)

计算梯度是反向传播（Backpropagation）过程中最关键的一步，它通过链式法则（Chain Rule）计算损失函数相对于每个模型参数的导数。以下是详细的过程：

1. 前向传播（Forward Pass）

前向传播是指将输入数据通过神经网络计算出预测值（输出）。在这个过程中，每一层的输入和输出都需要被记录下来，以便在反向传播过程中使用。

假设有一个简单的三层神经网络：

  • 输入层： x x x
  • 隐藏层： h = σ ( W 1 ⋅ x + b 1 ) h = \sigma(W_1 \cdot x + b_1) h=σ(W1⋅x+b1)
  • 输出层： y = W 2 ⋅ h + b 2 y = W_2 \cdot h + b_2 y=W2⋅h+b2

其中， W 1 W_1 W1 和 W 2 W_2 W2 是权重矩阵， b 1 b_1 b1 和 b 2 b_2 b2 是偏置向量， σ \sigma σ 是激活函数（例如 ReLU 或 sigmoid）。

2. 计算损失（Loss Calculation）

在前向传播过程中，计算预测值 y y y 和真实值 y true y_{\text{true}} ytrue 之间的损失。例如，使用均方误差（MSE）作为损失函数：
L = 1 N ∑ i = 1 N ( y true , i − y i ) 2 L = \frac{1}{N} \sum_{i=1}^N (y_{\text{true},i} - y_i)^2 L=N1i=1∑N(ytrue,i−yi)2

其中 N N N 是样本数量。

3. 反向传播（Backward Pass）

反向传播过程主要分为以下几步：

步骤 1：计算输出层梯度

首先计算损失函数 L L L 相对于输出层的梯度：
∂ L ∂ y = − 2 ( y true − y ) \frac{\partial L}{\partial y} = -2(y_{\text{true}} - y) ∂y∂L=−2(ytrue−y)

步骤 2：计算隐藏层梯度

利用链式法则，计算损失函数相对于隐藏层输出 h h h 的梯度：
∂ L ∂ h = ∂ L ∂ y ⋅ ∂ y ∂ h \frac{\partial L}{\partial h} = \frac{\partial L}{\partial y} \cdot \frac{\partial y}{\partial h} ∂h∂L=∂y∂L⋅∂h∂y

其中：
∂ y ∂ h = W 2 \frac{\partial y}{\partial h} = W_2 ∂h∂y=W2

因此：
∂ L ∂ h = ∂ L ∂ y ⋅ W 2 \frac{\partial L}{\partial h} = \frac{\partial L}{\partial y} \cdot W_2 ∂h∂L=∂y∂L⋅W2

步骤 3：计算隐藏层的参数梯度

接下来，计算损失函数相对于 W 1 W_1 W1 和 b 1 b_1 b1 的梯度。首先是 W 1 W_1 W1 的梯度：
∂ L ∂ W 1 = ∂ L ∂ h ⋅ ∂ h ∂ W 1 \frac{\partial L}{\partial W_1} = \frac{\partial L}{\partial h} \cdot \frac{\partial h}{\partial W_1} ∂W1∂L=∂h∂L⋅∂W1∂h

其中：
∂ h ∂ W 1 = σ ′ ( W 1 ⋅ x + b 1 ) ⋅ x T \frac{\partial h}{\partial W_1} = \sigma'(W_1 \cdot x + b_1) \cdot x^T ∂W1∂h=σ′(W1⋅x+b1)⋅xT
σ ′ \sigma' σ′ 是激活函数的导数。因此：
∂ L ∂ W 1 = ( ∂ L ∂ h ⋅ σ ′ ( W 1 ⋅ x + b 1 ) ) ⋅ x T \frac{\partial L}{\partial W_1} = \left(\frac{\partial L}{\partial h} \cdot \sigma'(W_1 \cdot x + b_1)\right) \cdot x^T ∂W1∂L=(∂h∂L⋅σ′(W1⋅x+b1))⋅xT

同理，偏置 b 1 b_1 b1 的梯度为：
∂ L ∂ b 1 = ∂ L ∂ h ⋅ σ ′ ( W 1 ⋅ x + b 1 ) \frac{\partial L}{\partial b_1} = \frac{\partial L}{\partial h} \cdot \sigma'(W_1 \cdot x + b_1) ∂b1∂L=∂h∂L⋅σ′(W1⋅x+b1)

步骤 4：计算输出层的参数梯度

最后，计算损失函数相对于 W 2 W_2 W2 和 b 2 b_2 b2 的梯度。首先是 W 2 W_2 W2 的梯度：
∂ L ∂ W 2 = ∂ L ∂ y ⋅ ∂ y ∂ W 2 \frac{\partial L}{\partial W_2} = \frac{\partial L}{\partial y} \cdot \frac{\partial y}{\partial W_2} ∂W2∂L=∂y∂L⋅∂W2∂y

其中：
∂ y ∂ W 2 = h T \frac{\partial y}{\partial W_2} = h^T ∂W2∂y=hT

因此：
∂ L ∂ W 2 = ∂ L ∂ y ⋅ h T \frac{\partial L}{\partial W_2} = \frac{\partial L}{\partial y} \cdot h^T ∂W2∂L=∂y∂L⋅hT

同理，偏置 b 2 b_2 b2 的梯度为：
∂ L ∂ b 2 = ∂ L ∂ y \frac{\partial L}{\partial b_2} = \frac{\partial L}{\partial y} ∂b2∂L=∂y∂L

4. 应用梯度更新参数（Parameter Update）

一旦计算出所有参数的梯度，使用优化器（如 SGD、Adam 等）根据这些梯度更新参数。例如，使用梯度下降法，参数更新规则为：
θ = θ − η ⋅ ∇ θ L \theta = \theta - \eta \cdot \nabla_{\theta} L θ=θ−η⋅∇θL

其中， θ \theta θ 是模型参数， η \eta η 是学习率， ∇ θ L \nabla_{\theta} L ∇θL 是损失函数相对于参数的梯度。

综合示例

以下是一个综合示例，展示了如何在 TensorFlow 中进行前向传播、计算损失、反向传播并更新参数：

python 复制代码 
import tensorflow as tf

# 定义模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(10, activation='relu', input_shape=(3,)),
    tf.keras.layers.Dense(1)
])

# 定义优化器和损失函数
optimizer = tf.keras.optimizers.Adam(learning_rate=0.01)
loss_fn = tf.keras.losses.MeanSquaredError()

# 训练步骤
def train_step(x, y_true):
    with tf.GradientTape() as tape:
        y_pred = model(x)
        loss = loss_fn(y_true, y_pred)
    
    gradients = tape.gradient(loss, model.trainable_variables)
    optimizer.apply_gradients(zip(gradients, model.trainable_variables))

# 生成示例数据
x = tf.random.normal([10, 3])
y_true = tf.random.normal([10, 1])

# 进行一个训练步骤
train_step(x, y_true)

4. 更新参数（Parameter Update）

优化器使用计算出的梯度来更新模型参数。以下是一个使用梯度下降优化器的示例：

python 复制代码 
# 定义优化器
optimizer = tf.keras.optimizers.SGD(learning_rate=0.01)

# 应用梯度更新参数
optimizer.apply_gradients(zip(gradients, trainable_vars))

梯度更新参数的过程是通过反向传播算法计算出的梯度，结合一定的优化策略来更新神经网络中的权重和偏置，使得模型的损失函数逐渐减小，从而提高模型的性能。

在反向传播过程中，计算损失函数 L L L 对每个参数 θ \theta θ（包括权重 W W W 和偏置 b b b）的梯度 ∇ θ L \nabla_{\theta} L ∇θL。这些梯度表示的是损失函数在参数空间中的变化率。

2. 梯度下降法

梯度下降法是一种简单而有效的优化算法，它通过沿着梯度的反方向更新参数来最小化损失函数。基本的更新公式为：
θ ← θ − η ⋅ ∇ θ L \theta \leftarrow \theta - \eta \cdot \nabla_{\theta} L θ←θ−η⋅∇θL

其中：

  • θ \theta θ 是模型参数。
  • η \eta η 是学习率，控制步长大小。
  • ∇ θ L \nabla_{\theta} L ∇θL 是损失函数关于参数的梯度。

3. 批量梯度下降（Batch Gradient Descent）

批量梯度下降使用整个训练数据集来计算梯度和更新参数。虽然这种方法在每一步更新时是精确的，但计算开销大，对于大型数据集效率低下。

4. 随机梯度下降（Stochastic Gradient Descent, SGD）

随机梯度下降在每次参数更新时只使用一个样本来计算梯度和更新参数。虽然更新更频繁，但会引入较大的波动，不稳定。

5. 小批量梯度下降（Mini-batch Gradient Descent）

小批量梯度下降在每次参数更新时使用一小批样本来计算梯度和更新参数。它在计算效率和收敛稳定性之间取得了平衡，是实际应用中最常用的方法。

6. 学习率调节

选择合适的学习率 η \eta η 是至关重要的。学习率太大，更新步伐过大，可能导致损失函数震荡甚至发散；学习率太小，收敛速度慢，训练时间过长。

7. 改进的优化算法

除了基本的梯度下降法，还有许多改进的优化算法，能够更有效地更新参数。常见的有以下几种：

Momentum（动量法）

动量法在更新参数时引入了动量的概念，加速收敛速度：
v t = γ v t − 1 + η ∇ θ L v_t = \gamma v_{t-1} + \eta \nabla_{\theta} L vt=γvt−1+η∇θL
θ ← θ − v t \theta \leftarrow \theta - v_t θ←θ−vt

其中， γ \gamma γ 是动量因子（通常取值在 0.9 左右）。

RMSprop

RMSprop 通过调整每个参数的学习率，使得在训练过程中学习率自适应变化：
E [ g 2 ] t = β E [ g 2 ] t − 1 + ( 1 − β ) ( ∇ θ L ) 2 E[g^2]t = \beta E[g^2]{t-1} + (1 - \beta) (\nabla_{\theta} L)^2 E[g2]t=βE[g2]t−1+(1−β)(∇θL)2
θ ← θ − η E [ g 2 ] t + ϵ ∇ θ L \theta \leftarrow \theta - \frac{\eta}{\sqrt{E[g^2]t + \epsilon}} \nabla{\theta} L θ←θ−E[g2]t+ϵ η∇θL

其中， β \beta β 是衰减率， ϵ \epsilon ϵ 是防止除零的小量。

Adam（Adaptive Moment Estimation）

Adam 结合了动量法和 RMSprop 的优点，使用一阶和二阶矩估计来自适应调整学习率：
m t = β 1 m t − 1 + ( 1 − β 1 ) ∇ θ L m_t = \beta_1 m_{t-1} + (1 - \beta_1) \nabla_{\theta} L mt=β1mt−1+(1−β1)∇θL
v t = β 2 v t − 1 + ( 1 − β 2 ) ( ∇ θ L ) 2 v_t = \beta_2 v_{t-1} + (1 - \beta_2) (\nabla_{\theta} L)^2 vt=β2vt−1+(1−β2)(∇θL)2
m ^ t = m t 1 − β 1 t \hat{m}_t = \frac{m_t}{1 - \beta_1^t} m^t=1−β1tmt
v ^ t = v t 1 − β 2 t \hat{v}_t = \frac{v_t}{1 - \beta_2^t} v^t=1−β2tvt
θ ← θ − η v ^ t + ϵ m ^ t \theta \leftarrow \theta - \frac{\eta}{\sqrt{\hat{v}_t} + \epsilon} \hat{m}_t θ←θ−v^t +ϵηm^t

其中， β 1 \beta_1 β1 和 β 2 \beta_2 β2 是动量参数，通常取值分别为 0.9 和 0.999。

以下是一个使用 TensorFlow 实现参数更新的综合示例，包含前向传播、梯度计算和参数更新：

python 复制代码 
import tensorflow as tf

# 定义模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(10, activation='relu', input_shape=(3,)),
    tf.keras.layers.Dense(1)
])

# 定义优化器和损失函数
optimizer = tf.keras.optimizers.Adam(learning_rate=0.01)
loss_fn = tf.keras.losses.MeanSquaredError()

# 训练步骤
def train_step(x, y_true):
    with tf.GradientTape() as tape:
        y_pred = model(x)
        loss = loss_fn(y_true, y_pred)
    
    gradients = tape.gradient(loss, model.trainable_variables)
    optimizer.apply_gradients(zip(gradients, model.trainable_variables))

# 生成示例数据
x = tf.random.normal([10, 3])
y_true = tf.random.normal([10, 1])

# 进行一个训练步骤
train_step(x, y_true)

在这个例子中，tf.GradientTape 用于记录前向传播计算，tape.gradient 计算损失函数对模型参数的梯度，optimizer.apply_gradients 使用 Adam 优化算法更新参数。

深入了解优化器如何具体更新模型参数详细过程：

  1. 初始化参数：优化器首先初始化参数，通常从一个随机分布中采样。
  2. 计算损失：在前向传播过程中，计算模型的预测值，并通过损失函数计算损失。
  3. 计算梯度：在反向传播过程中，计算损失函数关于模型参数的梯度。
  4. 应用梯度更新 ：
    • 计算新的参数值：
      • 对于梯度下降优化器，更新公式是：
        θ = θ − η ⋅ ∇ θ J ( θ ) \theta = \theta - \eta \cdot \nabla_{\theta} J(\theta) θ=θ−η⋅∇θJ(θ)
        其中 θ \theta θ 是参数， η \eta η 是学习率， ∇ θ J ( θ ) \nabla_{\theta} J(\theta) ∇θJ(θ) 是损失函数相对于参数的梯度。
    • 应用学习率和梯度更新参数。

6. 不同优化器的细节

不同优化器有不同的更新规则和额外参数。以下是几个常见优化器的详细说明：

SGD（随机梯度下降）
  • 更新规则 ：
    θ = θ − η ⋅ ∇ θ J ( θ ) \theta = \theta - \eta \cdot \nabla_{\theta} J(\theta) θ=θ−η⋅∇θJ(θ)
SGD with Momentum（动量法）
  • 动量更新 ：
    v t = β v t − 1 + η ∇ θ J ( θ ) v_t = \beta v_{t-1} + \eta \nabla_{\theta} J(\theta) vt=βvt−1+η∇θJ(θ)
  • 参数更新 ：
    θ = θ − v t \theta = \theta - v_t θ=θ−vt
RMSProp
  • 均方根传播更新 ：
    s t = β s t − 1 + ( 1 − β ) ( ∇ θ J ( θ ) ) 2 s_t = \beta s_{t-1} + (1 - \beta) (\nabla_{\theta} J(\theta))^2 st=βst−1+(1−β)(∇θJ(θ))2
  • 参数更新 ：
    θ = θ − η s t + ϵ ∇ θ J ( θ ) \theta = \theta - \frac{\eta}{\sqrt{s_t + \epsilon}} \nabla_{\theta} J(\theta) θ=θ−st+ϵ η∇θJ(θ)
Adam
  • 动量更新 ：
    m t = β 1 m t − 1 + ( 1 − β 1 ) ∇ θ J ( θ ) m_t = \beta_1 m_{t-1} + (1 - \beta_1) \nabla_{\theta} J(\theta) mt=β1mt−1+(1−β1)∇θJ(θ)
  • 均方根传播更新 ：
    v t = β 2 v t − 1 + ( 1 − β 2 ) ( ∇ θ J ( θ ) ) 2 v_t = \beta_2 v_{t-1} + (1 - \beta_2) (\nabla_{\theta} J(\theta))^2 vt=β2vt−1+(1−β2)(∇θJ(θ))2
  • 偏差修正 ：
    m ^ t = m t 1 − β 1 t , v ^ t = v t 1 − β 2 t \hat{m}_t = \frac{m_t}{1 - \beta_1^t}, \quad \hat{v}_t = \frac{v_t}{1 - \beta_2^t} m^t=1−β1tmt,v^t=1−β2tvt
  • 参数更新 ：
    θ = θ − η v ^ t + ϵ m ^ t \theta = \theta - \frac{\eta}{\sqrt{\hat{v}_t} + \epsilon} \hat{m}_t θ=θ−v^t +ϵηm^t

以下是一个综合示例，展示了使用 Adam 优化器更新模型参数的全过程：

python 复制代码 
import tensorflow as tf

# 定义模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(1, input_shape=(1,))
])

# 定义优化器
optimizer = tf.keras.optimizers.Adam(learning_rate=0.01)

# 定义损失函数
loss_fn = tf.keras.losses.MeanSquaredError()

# 训练步骤
def train_step(x, y_true):
    with tf.GradientTape() as tape:
        y_pred = model(x)
        loss = loss_fn(y_true, y_pred)
    
    gradients = tape.gradient(loss, model.trainable_variables)
    optimizer.apply_gradients(zip(gradients, model.trainable_variables))

# 生成示例数据
x = tf.random.normal([10, 1])
y_true = tf.random.normal([10, 1])

# 进行一个训练步骤
train_step(x, y_true)

evaluate参数

  • x:

    • 类型: Numpy数组、TensorFlow张量、字典或tf.data Dataset。
    • 描述: 输入数据。可以是Numpy数组（或类似数组）、TensorFlow张量、将输入名称映射到相应数组/张量的字典或tf.data Dataset。

  • y:

    • 类型: Numpy数组、TensorFlow张量或None。
    • 描述 : 目标数据。应该与x格式相同（例如，Numpy数组）。如果x是数据集或生成器，则不应指定y（因为目标将从迭代器/数据集中获得）。

  • batch_size:

    • 类型: 整数或None。
    • 描述 : 每次梯度更新的样本数量。如果未指定，默认batch_size为32。如果数据是数据集、生成器或keras.utils.Sequence，请勿指定batch_size。

  • verbose:

    • 类型: 整数，0, 1 或 "auto"。
    • 描述: 详细模式。0 = 静默，1 = 进度条。"auto" 在大多数情况下默认为1，但在与ParameterServerStrategy一起使用时为0。

  • sample_weight:

    • 类型: Numpy数组或None。
    • 描述 : 可选的测试样本权重数组。如果提供，长度应与x相同。

  • steps:

    • 类型: 整数或None。
    • 描述: 在声明评估轮次完成之前的总步数（样本批次数）。默认为None时忽略。

  • callbacks:

    • 类型: keras.callbacks.Callback实例的列表。
    • 描述: 评估期间应用的回调列表。

  • max_queue_size:

    • 类型: 整数。
    • 描述 : 仅用于生成器或keras.utils.Sequence输入。生成器队列的最大大小。

  • workers:

    • 类型: 整数。
    • 描述 : 仅用于生成器或keras.utils.Sequence输入。用于数据加载的工作线程数量。

  • use_multiprocessing:

    • 类型: 布尔值。
    • 描述 : 仅用于生成器或keras.utils.Sequence输入。如果为True，则使用基于进程的线程。默认情况下为False。

  • return_dict:

    • 类型: 布尔值。
    • 描述 : 如果为True，该方法返回包含损失和度量值的字典。如果为False，则返回列表。

  • kwargs:

    • 类型: 其他关键字参数。
    • 描述: 向后兼容的其他参数。

示例

python 复制代码 
# 假设model已定义并编译
results = model.evaluate(x_test, y_test, batch_size=32, verbose=1)
print("测试损失，测试准确率:", results)

在此示例中，x_test和y_test是测试数据集。该方法评估模型并返回损失和准确率。

相关推荐
斯凯利.瑞恩1 分钟前
Python决策树、随机森林、朴素贝叶斯、KNN（K-最近邻居）分类分析银行拉新活动挖掘潜在贷款客户附数据代码
python·决策树·随机森林
yannan2019031322 分钟前
【算法】（Python）动态规划
python·算法·动态规划
蒙娜丽宁32 分钟前
《Python OpenCV从菜鸟到高手》——零基础进阶，开启图像处理与计算机视觉的大门！
python·opencv·计算机视觉
光芒再现dev34 分钟前
已解决，部署GPTSoVITS报错‘AsyncRequest‘ object has no attribute ‘_json_response_data‘
运维·python·gpt·语言模型·自然语言处理
好喜欢吃红柚子1 小时前
万字长文解读空间、通道注意力机制机制和超详细代码逐行分析（SE,CBAM,SGE,CA,ECA,TA）
人工智能·pytorch·python·计算机视觉·cnn
小馒头学python1 小时前
机器学习是什么？AIGC又是什么？机器学习与AIGC未来科技的双引擎
人工智能·python·机器学习
神奇夜光杯1 小时前
Python酷库之旅-第三方库Pandas(202)
开发语言·人工智能·python·excel·pandas·标准库及第三方库·学习与成长
千天夜1 小时前
使用UDP协议传输视频流！（分片、缓存）
python·网络协议·udp·视频流
测试界的酸菜鱼1 小时前
Python 大数据展示屏实例
大数据·开发语言·python
羊小猪~~1 小时前
神经网络基础--什么是正向传播？？什么是方向传播？？
人工智能·pytorch·python·深度学习·神经网络·算法·机器学习
热门推荐
01【HarmonyOS】HUAWEI DevEco Studio 下载地址汇总02(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明03组基轨迹建模 GBTM的介绍与实现（Stata 或 R）04【AIGC】重塑未来的科技巨轮05全面解析：构建基于深度学习的安全帽检测系统（UI界面+YOLO代码+数据集）06【经验分享】Ubuntu22.04安装微信(linux官方版)07基于YOLOv10深度学习的CT扫描图像肾结石智能检测系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战、目标检测08Ubuntu 20.04使用Livox mid 360 测试 FAST_LIO09RAG 实践- Ollama+RagFlow 部署本地知识库10【TC3xx芯片】TC3xx芯片电源管理系统PMS详解