TensorFlow2 notebook: Class1 神经网络的计算过程, 搭建出第一个神经网络模型.

In summary

Prerequisites

  • TensorFlow2.3.0 + Python3.6.9

人工智能三学派

  • 行为主义
  • 符号主义
  • 连接主义
    • 神经网络
    • 计算机仿真神经网络连接关系
      • 准备数据:‘特征-标签’数据
      • 搭建网络:神经网络结构
      • 优化参数:训练网络获取最佳参数
      • 应用网络:输出分类，或输出预测结果

神经网络设计过程

  • 分类目标:
    • 0狗尾草Iris
    • 1杂色Iris: 花萼长>花萼宽 and 花瓣长/花瓣宽>2
    • 2弗吉尼亚Iris
  • 采集大量数据对作为数据集: 输入特征(花萼长，花萼宽，花瓣长，花瓣宽), 人工标定的标签(对应的类别)
  • 将已有数据集喂入搭建好的神经网络结构
  • 随机初始化所有参数, 然后反向传播进行网络优化参数,得到模型
    • 损失函数输出最小(预测值与标准答案之间的差距)，得到所有的最优参数
      • 梯度下降法
        • 设置合适的学习率(超参数): 不可以过大或者过小
  • 读入新输入特征(待测)
  • 输出识别结果: 所属分类

张量生成

常用函数

  • reduce_mean,reduce_sum

    • axis=0:纵向，经度方向
    • axis=1:横向，维度方向

  • 维度相同的张量可以做四则运算

    • add, subtract, multiply, divide.

  • 平方, 次方, 开方

    • square, pow, sqrt

  • 矩阵乘

    • tf.matmul

  • 将(特征, 标签)进行配对

    1

    tf.data.Dataset.from_tensor_slices((features, labels))

  • 梯度

    1

    tf.GradientTape

  • 枚举, python内置函数

    1

    enumerate

  • 独热编码,作为标签

    • tf.one_hot
    • 1: 表示是
    • 0: 表示非

  • 使输出符合概率分布 -tf.nn.softmax –>n分类n输出调用softmax()函数

  • 自减

    1

    assign_sub

  • 张量方向最大值的索引

    1

    tf.argmax()

Iris 数据集读入

神经网络实现iris分类

Attach is the file of TensorFlow2class1.ipynb, or view it via the link.

Show me the code

fig1 fig2