一、前期准备
1）tensorflow环境搭建
2）cifar数据集
官网链接http://www.cs.toronto.edu/~kriz/cifar.html
通过官网可以看到CIFAR-10数据集有5万个训练样本，1万个测试样本
图片大小为32*32
由于学习视频总为TF1.0，但是实战中使用的是tensorflow2.9.1,具体查看方式为：
①进入conda
②激活安装了tensorflow的conda环境
③输入指令python
④import tensorflow as tf
⑤使用指令“tf.__version__"(注意这里有两条下划线）
安装的数据集放在jupyter工作目录的文件夹内，例如我的jupyter是在文件deep_learing_practise中，那么就把CIFAR-10放在该目录中，进入jupyter notebook流程如下:
CIFAR-10数据集具体存放位置如下：
二、代码书写
1）导入tensorflow包并且使用lister（）函数得到该目录下的文件
本处因为后面建立的模型，重复运行两次相同的代码会报错，可以加上语句tf.reset_default_graph()然后从头开始重新运行，也可以点击jupyter中的Kernel选择Restart & Clear Output只有再重新运行。如下：
代码如下：
# import tensorflow as tf
# tf.compat.v1.disable_eager_execution()
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
tf.reset_default_graph() # 模型代码，重复运行两次相同代码会报错
import os
import pickle
import numpy as np
CIFAR_DIR = ".\cifar-10-batches-py" #相对路径
print(os.listdir(CIFAR_DIR))2）加载需要用到的数据
定义函数load_data从data文件中读物数据，此处使用的是python3，所以在编码格式选择的是iso-8859-1，属于单字节编码,最多能表示的字符范围是0-255。
定义类CifarData，使用函数__init__初始化数据，参数need_shuffle表示数据集是否需要乱序，训练接需要乱序，但是测试集不需要，所以在该模块最后调用该类时，数据集输入need_shuffle = True，而测试集则为False。
在初始化函数中加载数据集返回data数据和labels数据集合，使用语句for item,label in zip(data,labels)，即每个图片数据对应一个item，每个标签对应一个label，将数据打包成元组，再由元组组成列表。在代码中输出验证也可以得到，数据类型为list。
使用函数vstack（）是按照垂直方向堆叠数组，构成一个新的数组，堆叠的数组需要具有相同的维度。函数hstack（）是按照水平方法堆叠数组，构成一个新的数组，堆叠的数组需要具有相同的维度。
对图片进行缩放到范围-1到1，做归一化处理，将特征值大小调整到相近的范围，可以加速模型训练。因为不做归一化处理时，如果特征值较大，梯度值也会较大，特征值较小，梯度值也会较小。在模型反向传播时，梯度值更新与学习率一样，当学习率较小时，梯度值较小会导致更新缓慢，当学习率较大时，梯度值较大会导致模型不易收敛。使用语句self._data = self._data / 127.5 - 1
_num_examples表示属于类别0和1的图片数据个数，通过代码输出测试我们可以看见，属于类别0有5万数据，属于类别1有1万数据。
改模块代码如下：
def load_data(filename):
"""read data from data file"""
with open(filename,'rb') as f:
data = pickle.load(f,encoding='iso-8859-1')
return data['data'],data['labels']
class CifarData:
def __init__(self,filenames,need_shuffle): # shuffle乱序,训练集需要，测试集不需要
all_data = []
all_labels = []
for filename in filenames:
data,labels = load_data(filename)
all_data.append(data)
all_labels.append(labels)
self._data = np.vstack(all_data)
# np.vstack按垂直方向堆叠数组，构成一个新的数组，堆叠的数组需要具有相同的维度
self._data = self._data / 127.5 - 1 # 对图片进行缩放到范围-1到1，相当于做了一个归一化
self._labels = np.hstack(all_labels)
# np.hstack按水平方向堆叠数组，构成一个新的数组，堆叠的数组需要具有相同的维度
print(self._data.shape)
print(self._labels.shape)
# print(type(self._data))
# print(type(all_data))
self._num_examples = self._data.shape[0]
self._need_shuffle = need_shuffle
self._indicator = 0 # 指明当前数据集已经训练到哪个位置了
if self._need_shuffle:
self._shuffle_data()
print(self._num_examples)
def _shuffle_data(self):
# [0,1,2,3,4,5] -> [5,3,2,1,0,4]可能
p = np.random.permutation(self._num_examples)
self._data = self._data[p]
self._labels = self._labels[p]
def next_batch(self,batch_size):
"""return batch_size examples as a batch."""
end_indicator = self._indicator + batch_size
if end_indicator > self._num_examples:
if end_indicator > self._num_examples:
self._suffle_data()
self._indicator = 0
end_indicator = batch_size
else:
raise Exception("have no more examples")
if end_indicator > self._num_examples: # 说明batch_size比我们设计的全部样本还要大
raise Exception("barch size is larger thann all examples")
batch_data = self._data[self._indicator:end_indicator]
batch_labels = self._labels[self._indicator:end_indicator]
self._indicatorn = end_indicator
return batch_data,batch_labels
# 一次性加载多个数据
train_filenames = [os.path.join(CIFAR_DIR,'data_batch_%d' % i) for i in range(1,6)]
test_filenames = [os.path.join(CIFAR_DIR,'test_batch')]
train_data = CifarData(train_filenames,True)
test_data = CifarData(test_filenames,False)
# 测试代码
# batch_data,batch_labels = train_data.next_batch(10)
# print(batch_data.shape)
# print(batch_labels.shape)3）构建计算图
placeholder在tensorflow2.0以上版本已经不再使用，但是本处仍然使用该方法。需要在导入时声明语句：import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
w为权值，初始时为服从正态分布的随机数
b为偏移量，初始时为0
由神经元的结构可以得到，内积值计算方式为y_ = tf.matmul(x,w) + b ，就是将x和w做一个矩阵乘法，使用函数matmul（），再加上偏移量b。
使用函数sigmoid将内积值y_编程一个概率值。再对数据进行reshape
计算损失值loss，将y值和预测值做均方差处理，语句为loss = tf.reduce_mean(tf.square(y_reshaped_float - p_y_1))其中y值为y_reshaped_float，预测值为p_y_1。
x = tf.placeholder(tf.float32,[None,3072]) #placeholder占位
y = tf.placeholder(tf.int64,[None]) #None即不确定
# (3072,1)
w = tf.get_variable('w',[x.get_shape()[-1],1],
initializer = tf.random_normal_initializer(0,1))
#（1，）
b = tf.get_variable('b',[1],
initializer = tf.constant_initializer(0.0))
# [None,3072] * [3072,1] = [None,1]
y_ = tf.matmul(x,w) + b #x和w做一个矩阵乘法，此时y值只是一个内积值
# [None,1]
p_y_1 = tf.nn.sigmoid(y_) #将y_变成一个概率值
# [None,1]
y_reshaped = tf.reshape(y,(-1,1))
y_reshaped_float = tf.cast(y_reshaped,tf.float32)
loss = tf.reduce_mean(tf.square(y_reshaped_float - p_y_1)) # 计算损失值
# bool
predict = p_y_1 > 0.5
# [1,0,1,1,1,0,0,0]
correct_prediction = tf.equal(tf.cast(predict,tf.int64),y_reshaped)
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float64))
with tf.name_scope('train_op'): # 此处是1e-3而不是le-3
train_op = tf.train.AdamOptimizer(1e-3).minimize(loss)#AdamOptimizer梯度下降的一个变种4）训练
单神经元实现二分类逻辑斯蒂回归
代码为：
init = tf.global_variables_initializer()
batch_size = 20
train_steps = 100000
test_steps = 100
with tf.Session() as sess:
for i in range(train_steps):
sess.run(init)
batch_data,batch_labels = train_data.next_batch(batch_size)
loss_val,acc_val,_ = sess.run(
[loss,accuracy,train_op],
feed_dict = {x: batch_data,
y: batch_labels}) # feed_dict是需要塞入的数据
if (i+1) % 500 == 0:
print('[Train] Step: %d, loss: %4.5f，acc:%4.5f' \
% (i, loss_val, acc_val))
if (i+1) %5000 == 0:
test_data = CifarData(test_filenames,False)
all_test_acc_val = []
for j in range(test_steps):
test_batch_data,test_batch_labels \
= test_data.next_batch(batch_size)
test_acc_val = sess.run(
[accuracy],feed_dict={
x: test_batch_data,
y: test_batch_labels})
all_test_acc_val.append(test_acc_val)
test_acc = np.mean(all_test_acc_val)
print('[Test] Step: %d, acc: %4.5f' % (i+1,test_acc))