转自 https://segmentfault.com/a/1190000020413887
前言
TF2.0 是之前学习的内容，当时是写在了私有的YNote中，重写于SF。
TF2.0-GPU 安装教程传送门：https://segmentfault.com/a/11...
之前接触过 TF1, 手动session机制，看着很是头疼。 TF2.0不需要做这些
TF2.0 理解起来更容易（逐渐 Pythonic and Numpic）
TF2.0 后端采用keras接口 (构建网络层)，更方便。
TF2.0 的keras接口定义的模型层，都实现了 call方法。意味大多数实例对象可以当作函数来直接调用
行列轴
以列表为例（抽象举例，摞起来的面包片。。。。）
[ # 最外层，无意义不用记
[1,2,3], # 面包片1 (第一个样本)
[4,5,6], # 面包片2 (第二个样本)
]
- 每个 次内层列表 代表一个样本， 比如 [1,2,3] 整体代表 第一个样本
- 最内层元素代表属性值。 eg: 1,2,3 单个拿出来都是属性值。
- 例子： 元素5 单独拿出来，它就被看做 "第二个样本的，属性值5" （当然横纵索引依然都是从0取的）
以刚才的数据为例：
t = tf.constant(
[
[1., 2., 3.],
[4., 5., 6.]
]
)
print(tf.reduce_sum(t, axis=0)) # 求和操作，上下压扁， 聚合样本
>> tf.Tensor([5. 7. 9.], shape=(3,), dtype=float32)
print(tf.reduce_sum(t, axis=1)) # 求和操作，左右压扁， 聚合属性
>> tf.Tensor([ 6. 15.], shape=(2,), dtype=float32) 注：Numpy轴也是这样的，我最初用x，y轴方式 抽象 去记忆， 基本上是记不住的。。太多概念混淆。
但如果你记不住，你每次使用各种操作和聚合API时，都会自己在心理重新花大量时间理一遍。浪费时间。
所以你一定要练习理解，要做到：“瞄一眼，就能知道这种维度的数据的意义，以及轴操作的意义”
我自己的记忆方式（axis=0, axis=1）：
- 0轴通常代表，样本（上下压扁）
- 1轴通常代表，属性（左右压扁）
常需要用 axis参数 的相关聚合函数：
tf.reduce_sum() # 求和
tf.reduce_mean() # 平均值
tf.reduce_max() # 最大值
tf.reduce_min() # 最小值
tf.square() # 平方
tf.concat() # 拼接
注： 如果 axis参数 "不传"， 那么"所有维度"都会被操作。
常用导入
# 基本会用到的
import numpy as np
import tensorflow as tf
from tensorflow import keras
# 可选导入
import os, sys, pickle
import scipy
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.preprocessing import StandardScaler # 标准化
from sklearn.model_selection import train_test_split # 训测分离
张量&操作符
常量（普通的张量）
定义：
c = tf.constant( [[1., 2., 3.], [4., 5., 6.]] ) # 数字后面加个点代表 转float32 类型
print(c)
>> tf.Tensor([[1. 2. 3.] [4. 5. 6.]], shape=(2, 3), dtype=float32)六则运算（加减乘除，矩阵乘, 矩阵转置）
先说矩阵乘法（大学都学过的，运算过程不说了）：
语法格式： a @ b
条件要求： a的列数 === b的行数 （必须相等）
eg: （5行2列 @ 2行10列 = 5行10列）
特例： (第0维度，必须相等)
t1 = tf.ones([2, 20, 30])
t2 = tf.ones([2, 30, 50])
print( ([email protected]t2).shape )
>> (2, 20, 50) # 第0维没变， 后2维照常按照矩阵乘法运算矩阵转置：
tf.transpose(t)
# 不仅可以普通转置，还可以交换维度
t2 = tf.transpose(t,[1,0]) # 行变列，列变行。 和基本的转置差不多（逆序索引，轴变逆序）
# 或假如以 （2,100，200，3）形状 为例
t = tf.ones([2, 100, 200, 3])
print(tf.transpose(t, [1, 3, 0, 2]).shape) # 轴交换位置
>> (100, 3, 2, 200)
# 原1轴 -> 放在现在0轴
# 原3轴 -> 放在现在1轴
# 原0轴 -> 放在现在2轴
# 原2轴 -> 放在现在3轴加减乘除都具有"广播机制" ：
形象（广播机制解释）解释：
我尝试用白话解释下：
1. 我形状和你不一样， 但我和你运算的时候，我会尽力扩张成 你的形状 来和你运算。
2. 扩张后如果出现空缺， 那么把自己复制一份，填补上 （如果补不全，就说明不能运算）
3. 小形状 服从 大形状 (我比你瘦，我动就行。 你不用动。。。)
eg:
t = tf.constant(
[
[1, 2, 3],
[4, 5, 6],
]
)
t + [1,2,1]
过程分析：
[1,2,1] 显然是 小形状， 它会自动尝试变化成大形状 ->
第一步变形（最外层大框架满足， 里面还有空缺）：
[
[1,2,1],
]
第二步变形 (把自己复制，然后填补空缺)：
[
[1,2,1],
[1,2,1], # 这就是复制的自己
]
第三步运算（逐位相加）
[ + [ = [
[1,2,3], [1,2,1], [2,4,4],
[4,5,6], [1,2,1], [5,7,7],
] ] [抽象（广播机制）演示：
假如 t1 的 shape为 [5,200,100,50]
假如 t2 的 shape为 [5,200]
注意：我以下的数据演示，全是表示 Tensor的形状，形状，形状！
[5,200,1,50] # 很明显，开始这2行数据 维度没匹配， 形状也没对齐
[5,1]
------------------------
[5,200,1,50]
[5,50] # 这行对齐补50
------------------------
[5,200,5,50] # 这行对齐补5
[5,50]
------------------------
[5,200,5,50]
[1, 1, 5,50] # 这行扩张了2个， 默认填1
------------------------
[5,200,5,50]
[1,200, 5,50] # 这行对齐补200
------------------------
[5,200,5,50]
[5,200,5,50] # 这行对齐补5
注意：
1. 每个维度形状：二者必须有一个是1， 才能对齐。 （不然ERROR，下例ERROR->）
[5,200,1,50]
[5,20] # 同理开始向右对齐，但是 50与20都不是1，所以都不能对齐，所以ERROR
2. 若维度缺失：
依然是全部贴右对齐
然后先从右面开始，补每个维度的形状
然后扩展维度，并默认设形状为1
然后补扩展后维度的形状（因为默认设为1了，所以是一定可以补齐的）当然上面说的都是运算时的自动广播机制
你也可以手动广播：
t1 = tf.ones([2, 20, 1]) # 原始形状 【2，20，1】
print(tf.broadcast_to(t1, [5,2,20,30]).shape) # 目标形状【5，2，20，30】
[5,2,20,30]
[2,20, 1]
-----------
[5,2,20,30]
[2,20,30]
-----------
[5,2,20,30]
[1,2,20,30]
-----------
[5,2,20,30]
[5,2,20,30]
注：因为是手动广播，所以只能 原始形状 自己向 目标形状 ”补充维度，或者补充形状“
而目标形状是一点也不能动的。扩充维度（f.expand_dims）+ 复制（tile） 代替 => 广播（tf.broadcasting）
同样是上面的例子，我想把形状 [2,20,1] ，变成 [5，2，20，30]
t1 = tf.ones([2, 20, 1])
a = tf.expand_dims(t1,axis=0) # 0轴索引处插入一个轴， 结果[1,2,20,1]
print(tf.tile(a,[5,1,1,30]).shape) # 结果 [5, 2, 20, 30]
流程：
[5,2,20,30]
[2,20,1]
-----------
[5,2,20,30] # tf.expand_dims(t1,axis=0)
[1,2,20,1] # 0号索引插入一个新轴（增维）
-----------
[5,2,20,30] # tf.tile(5,1,1,30) (形状对齐，tile每个参数代表对应轴的形状扩充几倍)
[5,2,30,30] 1*5 2*1 20*1 1*30tile 与 broadcasting的区别：
- tile是物理复制，物理空间增加
- 而broadcasting是虚拟复制，（为了计算，隐式实现的复制，并没有物理空间增加）
- tile可以对任意（整数倍复制n*m, mn同为整数）
- 而broadcasting（原始数据形状只能存在1的情况下才能扩张。 1*n , n为整数）
压缩维度（tf.squeeze）：
就是把每个维度为1的维度都删除掉 （就像数学 a * 1 = a）
print(tf.squeeze(tf.ones([2,1,3,1])).shape)
>>> (2, 3)
当然你也可以指定维度压缩（默认不指定，所有维度为1的全部压缩）：
print(tf.squeeze(tf.ones([2,1,3,1]), axis=-1).shape)
>>> (2, 1, 3)索引&切片
灵魂说明：无论索引还是切片， （行列 是使用 逗号 分隔的）， 并且无论行列，索引都是从0开始的。
索引：取一个值
print(t[1,2]) # 逗号前面代表行的索引， 逗号后面是列的索引
>> tf.Tensor(6.0, shape=(), dtype=float32)切片：取子结构 （有两种方式）
方式1（冒号切片）：
print(t[:, 1:]) # 逗号前面是行。只写: 代表取所有行。逗号后面是列。 1: 代表第二列到最后
>> tf.Tensor([[2. 3.] [5. 6.]], shape=(2, 2), dtype=float32)
方式2（省略号切片）: （我相信不了解Numpy的人都没听说过 python的 Ellipsis ， 就是省略号类）
先自己去运行玩玩这行代码：
print(... is Ellipsis)
>>> True
回到正题：（省略号 ... 切片，是针对多维度的， 如果是二维直接用:即可）
(我们以三维为例，这个就不适合称作行列了)
# shape 是 (2, 2, 2)
t = tf.constant(
[ # 一维
[ # 二维
[1, 2], # 三维
[3, 4],
],
[
[5, 6],
[7, 8],
],
]
)
伪码：t[1维切片, 二维切片, 三维切片]
代码：t[:, :, 0:1] # 1维不动， 2维不动， 3维 取一条数据
结果: shape为 (2,2,1)
[ # 一维
[ # 二维
[1], # 三维
[3],
],
[
[5],
[7],
],
]看不明白就多看几遍。
发现没，即使我不对 1维，和 2维切片，我也被迫要写 2个: 来占位
那假如有100个维度，我只想对最后一个维度切片。 前99个都不用动， 那难道我要写 99个 : 占位？？
不，如下代码即可解决：
print(t[..., 0:1]) # 这就是 ... 的作用 （注意，只在 numpy 和 tensorflow中有用）tensor 转 numpy 类型
t.numpy() # tensor 转为 numpy 类型
变量
定义：
v = tf.Variable( # 注意： V是大写
[
[1, 2, 3],
[4, 5, 6]
]
)变量赋值(具有自身赋值的性质)：
注意： 变量一旦被定义，形状就定下来了。 赋值（只能赋给同形状的值）
v.assign(
[
[1,1,1],
[1,1,1],
]
)
print(v)
>> <tf.Variable ‘Variable:0‘ shape=(2, 3) dtype=int32, numpy=array([[1, 1, 1],[1, 1, 1]])>变量取值（相当于转换为Tensor）：
特别： 变量本身就是 Variable类型， 取值取出得是 Tensor （包括切片取值，索引取值等）
print( v.value() )
>> tf.Tensor([[1 2 3] [4 5 6]], shape=(2, 3), dtype=int32)变量 索引&切片 赋值：
常量:是不可变的。所以只有取值，没有赋值。
变量:取值、赋值都可以
v.assign(xx) 类似于 python的 v=xx
v[0, 1].assign(100) # 索引赋值, v.assign 等价于
v[0, :].assign([10, 20, 30]) # 注意，切片赋值传递的需要是容器类型
特别注意： 前面说过，变量 结构形状 是 不可变的，赋值的赋给的是数据。
但是你赋值的时候要时刻注意，不能改变变量原有形状
拿切片赋值为例：
你切多少个，你就得赋多少个。 并且赋的值结构要一致。
举个栗子： 你从正方体里面挖出来一个小正方体。那么你必须填补一块一模一样形状的小正方体）
还有两种扩展API：
v.assign_add() # 类似python 的 +=
v.assign_sub() # 类似python 的 -=变量 索引&切片 取值
同 常量切片取值（略）Variable 转 Numpy
print(v.numpy())不规则张量（RaggedTensor）
定义：
rag_tensor = tf.ragged.constant(
[
[1,2],
[2,3,4,5],
]
) # 允许每个维度的数据长度参差不齐拼接：假如需要"拼接 不规则张量" （可使用 tf.concat(axis=) ）
0轴：竖着拼接（样本竖着摞起来）可随意拼接。 拼接后的依然是"不规则张量"
1轴：横着拼接（属性水平拼起来）这时候需要你样本个数必须相等， 否则对不上，报错
总结： 样本竖着随便拼， 属性横着（必须样本个数相等） 才能拼RaggedTensor 普通 Tensor：
说明：普通Tensor是必须要求， 长度对齐的。入 对不齐的 末尾补0
tensor = rag_tensor.to_tensor()稀疏张量 （Sparse Tensor）
特点（可理解为 记录索引）：
- 只记录非0的坐标位置， indices参数：每个 子列表 表示 一个坐标
- 虽然只记录坐标，但是转为普通Tensor后，只有坐标位置 有值， 其他位置的值全是0
- 填充范围，取决于 dense_shape的设定
定义：
s = tf.SparseTensor(
indices=[[0, 1], [1, 0], [2, 3]], # 注意，这个索引设置需要是（从左到右，从上到下）的顺序设置
values=[1, 2, 3], # 将上面3个坐标值分别设值为 1，2，3
dense_shape=[3, 4] # Tensor总范围
)
print(s)
>> SparseTensor(indices=tf.Tensor([[0 1], [1 0],[2 3]], shape=(3, 2), dtype=int64)。。。转为普通 Tensor (转为普通Tensor后，看见的才是存储真正的值)
tensor = tf.sparse.to_dense(s)
print(tensor)
>> tf.Tensor([ [0 1 0 0],[2 0 0 0],[0 0 0 3] ], shape=(3, 4), dtype=int32)如果上面使用 to_dense() 可能会遇到错误：
error: is out of range
这个错误的原因是创建 tf.SparseTensor(indices=) ，前面也说了indices，要按（从左到右，从上到下）顺序写
当然你也可以用排序API，先排序，然后再转：
eg:
_ = tf.sparse.reorder(s) # 先将索引排序
tensor = tf.sparse.to_dense(_) # 再转tf.function
这个API作为一个装饰器使用， 用来将 Python 语法转换 尽可能有效的转换为 TF语法、图结构
import tensorflow as tf
import numpy as np
@tf.function
def f():
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
return a + b
print( f() )
>>> tf.Tensor([5 7 9], shape=(3,), dtype=int32)你应该发现了一个特点，我们定义的 f()函数内部，一个tf语法都没写。 只装饰了一行 @tf.function
而调用结果返回值居然是个 tensor 。
这就是 @tf.function 装饰器的作用了！
当然函数里面，也可以写 tf的操作，也是没问题的。
但注意一点， 函数里面不允许定义 变量， 需要定义的变量 应 拿到函数外面定义
a = tf.Variable([1,2,3]) # 如需tensor变量，应该放在外面
@tf.function
def f():
# a = tf.Variable([1,2,3]) # 这里面不允许定义变量!
pass合并相加（tf.concat）
我的理解就是（基本数学的 合并同类项）
# 合并同类项的原则就是有1项不同，其他项完全相同。
# 前提条件：（最多，有一个维度的形状不相等。 注意是最多）
t1 = tf.ones([2,5,6])
t2 = tf.ones([6,5,6])
print( tf.concat([t1,t2],axis=0).shape ) # axis=0,传了0轴，那么其他轴捏死不变。只合并0轴
>> (8,5,8)
堆叠降维（tf.stack）
我的理解就是（小学算术的，进位，（进位就是扩充一个维度表示个数））
# 前提条件：所有维度形状必须全部相等。
tf1 = tf.ones([2,3,4])
tf2 = tf.ones([2,3,4])
tf3 = tf.ones([2,3,4])
print(tf.stack([tf1,tf2,tf3], axis=0).shape)
# 你可以想象有3组 [2,3,4]，然后3组作为一个新维度，插入到 axis对应的索引处。
>> (3, 2, 3, 4) # 对比理解，如果这是tf.concat(), 那么结果就是 (6,3,4)拆分降维（tf.unstack）
和tf.stack正好是互逆过程，指定axis维度是几，它就会拆分成几个数据，同时降维。
a = tf.ones([3, 2, 3, 4])
for x in tf.unstack(a, axis=0):
print(x.shape)
结果如下（分成了3个 [2,3,4]）
>>> (2, 3, 4)
>>> (2, 3, 4)
>>> (2, 3, 4)拆分不降维（tf.split）
语法：
和tf.unstack的区别就是，tf.unstack是均分降维， tf.stack是怎么分都不会降维，且能指定分隔份数
a = tf.ones([2,4,35,8])
for x in tf.split(a, axis=3,num_or_size_splits=[2,2,4]):
print(x.shape)
结果：
>> (2, 4, 35, 2) # 最后一维2
>> (2, 4, 35, 2) # 最后一维2
>> (2, 4, 35, 4) # 最后一维4 使用场景：
假如我们想切分数据集为（train-test-valid） 3分比例为 6：2：2
方法1：（scikit-learn 连续分切2次）
x_train, x_test, y_train, y_test = train_test_split(x,y,test_size=0.2)
x_train, x_valid, y_train, y_valid = train_test_split(x_train, y_train,test_size=0.2)
# 源码中显示 test_size如果不传。默认为0.25。
# 思路，因为 scikit-learn 只能切出2个结果： 所以我们需要切2次：
# 第一次 从完整训练集 切出来 （剩余训练集， 测试集）
# 第二次 从剩余数据集 切出来 （剩余训练集2， 验证集）方法2： （tf.split）
x = tf.ones([1000, 5000])
y = tf.ones([1000, 1])
x_train, x_test, x_valid = tf.split(
x,
num_or_size_splits=[600,200,200], # 切3份
axis=0
)
y_train, y_test, y_valid = tf.split(
y,
num_or_size_splits=[600,200,200], # 同样切3份
axis=0
)
print(x_train.shape, y_train.shape)
print(x_test.shape, y_test.shape)
print(x_valid.shape, y_valid.shape)
结果
>>> (600, 5000) (600, 1)
>>> (200, 5000) (200, 1)
>>> (200, 5000) (200, 1)高级索引（tf.gather）
numpy这种索引叫做 fancy indexing(如果我没记错的话)
data = tf.constant([6,7,8]) # 当作真实数据
index = tf.constant([2, 1, 0]) # 当作索引
print(tf.gather(data, index))
>> tf.Tensor([8 7 6], shape=(3,), dtype=int32)排序（tf.sort）
data = tf.constant([6, 7, 8])
print(tf.sort(data, direction=‘DESCENDING‘)) # ‘ASCENDING‘
# 默认是ASCENDING升序
tf.argsort() # 同上， 只不过返回的是排序后的，对应数据的indexTop-K(tf.math.top_k)
查找出最大的n个（比先排序然后切片的性能要好）
a = tf.math.top_k([6,7,8],2) # 找出最大的两个，返回是个对象
print(a.indices) # 取出最大的两个 索引 （）
print(a.values) # 取出最大的两个 值
>> tf.Tensor([2 1], shape=(2,), dtype=int32)
>> tf.Tensor([8 7], shape=(2,), dtype=int32)tf.GradientTape （自定义求导）
求偏导
v1, v2 = tf.Variable(1.), tf.Variable(2.) # 变量 会 被自动侦测更新的
c1, c2 = tf.constant(1.), tf.constant(2.) # 常量 不会 自动侦测更新
y = lambda x1,x2: x1**2 + x2**2
with tf.GradientTape(persistent=True) as tape:
"""默认这个 tape使用一次就会被删除， persistent=True 代表永久存在，但后续需要手动释放"""
# 因为常量不会被自动侦测，所以我们需要手动调用 watch() 侦测
tape.watch(c1) # 如果是变量，就不用watch这两步了
tape.watch(c2)
f = y(c1,c2) # 调用函数，返回结果
c1_, c2_ = tape.gradient(f, [c1,c2])
# 参数2:传递几个自变量，就会返回几个 偏导结果
# c1_ 为 c1的偏导
# c2_ 为 c2的偏导
del tape # 手动释放 tape求二阶偏导（gradient嵌套）
v1, v2 = tf.Variable(1.), tf.Variable(2.) # 我们使用变量
y = lambda x1,x2: x1**2 + x2**2
with tf.GradientTape(persistent=True) as tape2:
with tf.GradientTape(persistent=True) as tape1:
f = y(v1,v2)
once_grads = tape1.gradient(f, [v1, v2]) # 一阶偏导
# 此列表推导式表示：拿着一阶偏导，来继续求二阶偏导（注意，用tape2）
twice_grads = [tape2.gradient(once_grad, [v1,v2]) for once_grad in once_grads] # 二阶偏导
print(twice_grads)
del tape1 # 释放
del tape2 # 释放说明
求导数（一个自变量）：tape1.gradient(f, v1) # gradient传 1个自变量
求偏导（多个自变量）：tape1.gradient(f, [v1,v2]) # gradient传 1个列表， 列表内填所有自变量SGD（随机梯度下降）
方式1：手撕（不使用优化器）
v1, v2 = tf.Variable(1.), tf.Variable(2.) # 我们使用变量
y = lambda x1, x2: x1 ** 2 + x2 ** 2 # 二元二次方程
learning_rate = 0.1 # 学习率
for _ in range(30): # 迭代次数
with tf.GradientTape() as tape: # 求导作用域
f = y(v1,v2)
d1, d2 = tape.gradient(f, [v1,v2]) # 求导， d1为 v1的偏导， d2为v2的偏导
v1.assign_sub(learning_rate * d1)
v2.assign_sub(learning_rate * d2)
print(v1)
print(v2)
实现流程总结：
1. 偏导 自变量v1,v2求出来的。 （d1, d2 = tape.gradient(f, [v1,v2])）
2. 自变量v1,v2的衰减 是关联 偏导的（ 衰减值 = 学习率*偏导）
3. 我们把前2步套了一个大循环（并设定迭代次数）， 1-2-1-2-1-2-1-2-1-2 步骤往复执行方式2：借用 Tensorflow 优化器(optimizer) 实现梯度下降
v1, v2 = tf.Variable(1.), tf.Variable(2.) # 我们使用变量
y = lambda x1, x2: x1 ** 2 + x2 ** 2 # 二元二次函数 , 通常这个函数我们用作计算loss
learning_rate = 0.1 # 学习率
optimizer = keras.optimizers.SGD(learning_rate=learning_rate) # 初始化优化器
for _ in range(30): # 迭代次数
with tf.GradientTape() as tape:
f = y(v1,v2)
d1, d2 = tape.gradient(f, [v1,v2]) # d1为 v1的偏导， d2为v2的偏导
optimizer.apply_gradients( # 注意这里不一样了，我们之前手动衰减
[ # 而现在这些事情， optimizer.SGD帮我们做了
(d1, v1), # 我们只需把偏导值，和自变量按这种格式传给它即可
(d2, v2),
]
)
# 通常这种格式，我们用 zip() 实现
# eg:
# model = keras.models.Sequential([......])
# .......
# grads = tape.gradient(f, [v1,v2])
# optimizer.apply_gradients(
# zip(grads, model.trainable_variables)
# )
print(v1)
print(v2)
实现流程总结：
1. 偏导 是自变量v1,v2求出来的 （d1, d2 = tape.gradient(f, [v1,v2])） # 此步骤不变
2. 把偏导 和 自变量 传给optimizer.apply_gradients() optimizer.SGD() 自动帮我们衰减。
3. 我们还是把前2步套了一个大循环（并设定迭代次数）， 1-2-1-2-1-2-1-2-1-2 步骤往复执行。
注： 假如你用adam等之类的其他优化器，那么可能有更复杂的公式，如果我们手撕，肯能有些费劲。
这时候我们最好使用 optimizer.Adam ...等各种 成品，优化器。通用步骤如下
1. 先实例化出一个优化器对象
2. 实例化对象.apply_gradients([(偏导,自变量)])原文地址：https://www.cnblogs.com/whw1314/p/12121874.html
时间： 2024-10-12 03:20:47