[python图像对抗]二深度学习基本概念以及神经网络实现鸢尾花分类
Posted 南岸青栀*
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了[python图像对抗]二深度学习基本概念以及神经网络实现鸢尾花分类相关的知识,希望对你有一定的参考价值。
深度学习基本概念以及神经网络实现鸢尾花分类
文章目录
基础知识
人工智能三学派
- 行为主义:基于控制论,构建感知-动作控制系统。(控制论,如平衡、行走、避障等自适应控制系统)
- 符号主义:基于算数逻辑表达式,求解问题时先把问题描述为表达式,再求解表达式。(可用公式描述,实现理性思维,如专家系统)
- 连接主义:仿生学,模仿神经元连接关系。(仿脑神经元连接,实现感性思维,如神经网络)
鸢尾花分类(Iris)
(1)鸢尾花
-
0够味草鸢尾花
-
1 杂色鸢尾花
-
2 弗吉尼亚鸢尾花
用神经网络实现鸢尾花分类
损失函数(loss function):预测值(y)与标准答案(y_)的差距
(2)神经网络实现鸢尾花分类:梯度下降
目的:找到一组参数b和w,使得损失函数最小
梯度:函数对各个参数求偏导后的向量,函数梯度下降方向是函数减少方向。
梯度下降法:沿着损失函数梯度下降方向,寻找损失函数的最小值,得到参数的方法
学习率:当过小,收敛过慢,过大时,梯度可能会在最小值附近来回震荡,甚至无法收敛。
反向传播:从后向前,逐层求损失函数的对每层神经元参数的偏导数,迭代更新所有参数。
tensorflow学习
张量生成
张量(Tensor):多维数组(列表),阶:张量的维数
tensorflow数据类型
创建张量
- tf.constant(张量内容,dtype=数据类型(可选))
#如何创建一个Tensor
import tensorflow as tf
a = tf.constant([1,5],dtype=tf.int64)
print(a)
print(a.dtype)
print(a.shape) #输出shape = (2,)一个逗号表示一维张量,两个元素
- 将numpy的数据类型转换为tensor数据类型
tf.convert_to_tensor(数据名,dtype=数据类型)
import tensorflow as tf
import numpy as np
a = np.arange(0, 5)
b = tf.convert_to_tensor(a, dtype=tf.int64)
print(a)
print(b)
- 创建全为0的张量
tf.zeros(维度)
- 创建全为1的张量
tf.ones(维度)
- 创建全为指定值的张量
tf.fill(维度, 指定值)
代码:
a = tf.zeros([2,3])
b = tf.ones(4)
c = tf.fill([2, 2], 9)
print(a)
print(b)
print(c)
tf.Tensor(
[[0. 0. 0.]
[0. 0. 0.]], shape=(2, 3), dtype=float32)
tf.Tensor([1. 1. 1. 1.], shape=(4,), dtype=float32)
tf.Tensor(
[[9 9]
[9 9]], shape=(2, 2), dtype=int32)
- 生成正态分布的随机数,默认均值为0,标准差为1
tf.random.normal(维度, mean=均值, stddev=标准差)
- 生成截断式正态分布的随机数
tf.random.truncated_normal(维度, mean=均值,stddev=标准差)
常用函数
- (1)强制tensor转换为该数据类型
tf.cast(张量名, dtype=数据类型)
- (2)寻找张量维度上元素的最小值
tf.reduce_min(张量名)
- (3)寻找张量维度上元素的最大值
tf.reduce_max(张量名)
代码
x1 = tf.constant([1.,2.,3.], dtype=tf.float64)
print(x1)
x2 = tf.cast(x1, tf.int32)
print(x2)
print(tf.reduce_min(x2))
print(tf.reduce_max(x2))
tf.Tensor([1. 2. 3.], shape=(3,), dtype=float64)
tf.Tensor([1 2 3], shape=(3,), dtype=int32)
tf.Tensor(1, shape=(), dtype=int32)
tf.Tensor(3, shape=(), dtype=int32)
- (4)axis
axis=0代表跨行(经度,down),而axis=1代表跨列(维度,across)
- (5)计算张量沿指定未单独的平均值
tf.reduce_mean(张量名,axis = 操作轴)
- (6)计算张量沿着指定维度的和
tf.reduce_sum(张量名,axis = 操作轴)
- (7)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,神经网络训练中没常用该函数标记待训练参数
w = tf.Variable(tf.random.normal([2,2],mean=0,stddev=1))
-
(8)基本运算
- 四则运算
- tf.add
- tf.subtract
- tf.multiply
- tf.divide
- 平方、次方与开方
- tf.square
- tf.pow
- tf.sqrt
- 矩阵乘
- tf.matmul
- 四则运算
-
(9)把数据集和标签配对的函数
tf.Dataset.from_tensor_slices
切分传入张量的第一维度,生成输入特征/标签对,构建数据集
tf.Dataset.from_tensor_slices((输入特征,标签))
numpy格式和tensor格式的数据都适用
features = tf.constant([12,23,10,17])
labels = tf.constant([0,1,1,0])
dataset = tf.data.Dataset.from_tensor_slices((features,labels))
print(dataset)
for element in dataset:
print(element)
<TensorSliceDataset shapes: ((), ()), types: (tf.int32, tf.int32)>
(<tf.Tensor: shape=(), dtype=int32, numpy=12>, <tf.Tensor: shape=(), dtype=int32, numpy=0>)
(<tf.Tensor: shape=(), dtype=int32, numpy=23>, <tf.Tensor: shape=(), dtype=int32, numpy=1>)
(<tf.Tensor: shape=(), dtype=int32, numpy=10>, <tf.Tensor: shape=(), dtype=int32, numpy=1>)
(<tf.Tensor: shape=(), dtype=int32, numpy=17>, <tf.Tensor: shape=(), dtype=int32, numpy=0>)
- (10)tf.GradientTape
with结构记录计算过程,gradient求出张量的梯度
with tf.GradientTape() as tape
若干个求导过程=
grad =tape.gradient(函数,对谁求导)
with tf.GradientTape() as tape
w = tf.Variable(tf.constant(3,0))
loss = tf.pow(w,2)
grad =tape.gradient(loss,w)
print(grad)
- (11)enumerate
是Python的内建函数,它可以遍历每个元素(如列表、元祖或字符串)组合为:索引 元素,常在for循环中适用.
seq = ['one','two','three']
for i ,element int enumetate(seq):
print(i,element)
(12)tf.one_hot
独热编码:在分类问题中,常用独热码做标签。
tf.one_hot(待转换数据,depth = 几分类)
#独热码
classes = 3
labels = tf.constant([0,1,2]) #输入的元素值最小为0,最大为2
output = tf.one_hot(labels,depth=classes)
print(output)
tf.Tensor(
[[1. 0. 0.]
[0. 1. 0.]
[0. 0. 1.]], shape=(3, 3), dtype=float32)
- (13)tf.nn.softmax
使得输出符合概率分布
代码
#tf.nn.softmax 使得输出符合概率分布
y = tf.constant([1.01, 2.01, -0.66])
y_pro = tf.nn.softmax(y)
print("After softmax,y_pro is:", y_pro)
After softmax,y_pro is: tf.Tensor([0.25598174 0.69583046 0.04818781], shape=(3,), dtype=float32)
- (14)assign_sub
赋值操作,更新参数的值并返回
条用assign_sub前,先用tf.Variable定义变量w可为训练(可自更新)
w.assign_sub(w要自减的内容)
(15)tf.argmax
返回张量沿指定维度最大值的索引
#tf.argmax 返回张量沿指定维度最大值的索引
import numpy as np
test = np.array([[1,2,3],[2,3,4],[5,4,3],[8,7,2]])
print(test)
# 返回每列最大值的索引
print(tf.argmax(test,axis =0))
# 返回每行最大值的索引
print(tf.argmax(test,axis =1))
[[1 2 3]
[2 3 4]
[5 4 3]
[8 7 2]]
tf.Tensor([3 3 1], shape=(3,), dtype=int64)
tf.Tensor([2 2 0 0], shape=(4,), dtype=int64)
鸢尾花数据集导入
from sklearn import datasets
from pandas import DataFrame
import pandas as pd
x_data = datasets.load_iris().data # .data返回iris数据集所有输入特征
y_data = datasets.load_iris().target # .target返回iris数据集所有标签
print("x_data from datasets: \\n", x_data)
print("y_data from datasets: \\n", y_data)
# 变成表格的形式
x_data = DataFrame(x_data, columns=['花萼长度', '花萼宽度', '花瓣长度', '花瓣宽度']) # 为表格增加行索引(左侧)和列标签(上方)
pd.set_option('display.unicode.east_asian_width', True) # 设置列名对齐
print("x_data add index: \\n", x_data)
x_data['类别'] = y_data # 新加一列,列标签为‘类别’,数据为y_data
print("x_data add a column: \\n", x_data)
#类型维度不确定时,建议用print函数打印出来确认效果
神经网络实现鸢尾花分类
(1)准备数据
-
数据集读入
-
数据集乱序
-
生成训练集和测试机
-
配成特征标签对,每次读入一个batch
(2)搭建网络
- 定义神经网络中所有可训练参数
(3)参数优化
- 嵌套循环迭代,with结构可更新参数,显示当前loss
(4)测试效果
- 计算当前参数前向传播后的准确率,显示当前acc
(5)acc/loss可视化
# -*- coding: UTF-8 -*-
# 利用鸢尾花数据集,实现前向传播、反向传播,可视化loss曲线
# 导入所需模块
import tensorflow as tf
from sklearn import datasets
from matplotlib import pyplot as plt
import numpy as np
# 导入数据,分别为输入特征和标签
x_data = datasets.load_iris().data
y_data = datasets.load_iris().target
# 随机打乱数据(因为原始数据是顺序的,顺序不打乱会影响准确率)
# seed: 随机数种子,是一个整数,当设置之后,每次生成的随机数都一样(为方便教学,以保每位同学结果一致)
np.random.seed(116) # 使用相同的seed,保证输入特征和标签一一对应
np.random.shuffle(x_data)
np.random.seed(116)
np.random.shuffle(y_data)
tf.random.set_seed(116)
# 将打乱后的数据集分割为训练集和测试集,训练集为前120行,测试集为后30行
x_train = x_data[:-30]
y_train = y_data[:-30]
x_test = x_data[-30:]
y_test = y_data[-30:]
# 转换x的数据类型,否则后面矩阵相乘时会因数据类型不一致报错
x_train = tf.cast(x_train, tf.float32)
x_test = tf.cast(x_test, tf.float32)
# from_tensor_slices函数使输入特征和标签值一一对应。(把数据集分批次,每个批次batch组数据)
train_db = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32)
test_db = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)
# 生成神经网络的参数,4个输入特征故,输入层为4个输入节点;因为3分类,故输出层为3个神经元
# 用tf.Variable()标记参数可训练
# 使用seed使每次生成的随机数相同(方便教学,使大家结果都一致,在现实使用时不写seed)
w1 = tf.Variable(tf.random.truncated_normal([4, 3], stddev=0.1, seed=1))
b1 = tf.Variable(tf.random.truncated_normal([3], stddev=0.1, seed=1))
lr = 0.1 # 学习率为0.1
train_loss_results = [] # 将每轮的loss记录在此列表中,为后续画loss曲线提供数据
test_acc = [] # 将每轮的acc记录在此列表中,为后续画acc曲线提供数据
epoch = 500 # 循环500轮
loss_all = 0 # 每轮分4个step,loss_all记录四个step生成的4个loss的和
# 训练部分
for epoch in range(epoch): #数据集级别的循环,每个epoch循环一次数据集
for step, (x_train, y_train) in enumerate(train_db): #batch级别的循环 ,每个step循环一个batch
with tf.GradientTape() as tape: # with结构记录梯度信息
# 前向传播过程计算y
y = tf.matmul(x_train, w1) + b1 # 神经网络乘加运算
y = tf.nn.softmax(y) # 使输出y符合概率分布(此操作后与独热码同量级,可相减求loss)
y_ = tf.one_hot(y_train, depth=3) # 将标签值转换为独热码格式,方便计算loss和accuracy
# 计算总loss
loss = tf.reduce_mean(tf.square(y_ - y)) # 采用均方误差损失函数mse = mean(sum(y-out)^2)
loss_all += loss.numpy() # 将每个step计算出的loss累加,为后续求loss平均值提供数据,这样计算的loss更准确
# 计算loss对各个参数的梯度
grads = tape.gradient(loss, [w1, b1])
# 实现梯度更新 w1 = w1 - lr * w1_grad b = b - lr * b_grad
w1.assign_sub(lr * grads[0]) # 参数w1自更新
b1.assign_sub(lr * grads[1]) # 参数b自更新
# 每个epoch,打印loss信息
print("Epoch , loss: ".format(epoch, loss_all/4))
train_loss_results.append(loss_all / 4) # 将4个step的loss求平均记录在此变量中
loss_all = 0 # loss_all归零,为记录下一个epoch的loss做准备
# 测试部分
# total_correct为预测对的样本个数, total_number为测试的总样本数,将这两个变量都初始化为0
total_correct, total_number = 0, 0
for x_test, y_test in test_db:
# 使用更新后的参数进行预测
y = tf.matmul(x_test, w1) + b1
y = tf.nn.softmax(y)
pred = tf.argmax(y, axis=1) # 返回y中最大值的索引,即预测的分类
# 将pred转换为y_test的数据类型
pred = tf.cast(pred, dtype=y_test.dtype)
# 若分类正确,则correct=1,否则为0,将bool型的结果转换为int型
correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)
# 将每个batch的correct数加起来
correct = tf.reduce_sum(correct)
# 将所有batch中的correct数加起来
total_correct += int(correct)
# total_number为测试的总样本数,也就是x_test的行数,shape[0]返回变量的行数
total_number += x_test.shape[0]
# 总的准确率等于total_correct/total_number
acc = total_correct / total_number
test_acc.append(acc)
print("Test_acc:", acc)
print("--------------------------")
# 绘制 loss 曲线
plt.title('Loss Function Curve') # 图片标题
plt.xlabel('Epoch') # x轴变量名称
plt.ylabel('Loss') # y轴变量名称
plt.plot(train_loss_results, label="$Loss$") # 逐点画出trian_loss_results值并连线,连线图标是Loss
plt.legend() # 画出曲线图标
plt.show() # 画出图像
# 绘制 Accuracy 曲线
plt.title('Acc Curve') # 图片标题
plt.xlabel('Epoch') # x轴变量名称
plt.ylabel('Acc') # y轴变量名称
plt.plot(test_acc, label="$Accuracy$") # 逐点画出test_acc值并连线,连线图标是Accuracy
plt.legend()
plt.show()
[python图像对抗]二深度学习基本概念以及神经网络实现鸢尾花分类
Keras深度学习实战(19)——使用对抗攻击生成可欺骗神经网络的图像
深度学习与图神经网络核心技术实践应用高级研修班-Day3对抗生成网络(Generative Adversarial Networks)