一、代码
import tensorflow as tf from tensorflow import keras from tensorflow.keras import datasets, layers, optimizers, Sequential, metrics import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' def preprocess(x, y): #数据预处理 x = tf.cast(x, dtype=tf.float32)/ 255. y = tf.cast(y, dtype=tf.int32) return x,y (x, y),(x_test, y_test) = datasets.fashion_mnist.load_data() print(x.shape, y.shape) batchsize = 128 #训练集预处理 db = tf.data.Dataset.from_tensor_slices((x,y)) #构造数据集,这里可以自动的转换为tensor类型了 db = db.map(preprocess).shuffle(10000).batch(batchsize) #测试集预处理 db_test = tf.data.Dataset.from_tensor_slices((x_test,y_test)) #构造数据集 db_test = db_test.map(preprocess).shuffle(10000).batch(batchsize) db_iter = iter(db) sample = next(db_iter) print("batch: ", sample[0].shape, sample[1].shape) #准备一个网络,5层。 model = Sequential([ layers.Dense(256, activation=tf.nn.relu), # [b, 784] => [b, 256] layers.Dense(128, activation=tf.nn.relu), # [b, 256] => [b, 128] layers.Dense(64, activation=tf.nn.relu), # [b, 128] => [b, 64] layers.Dense(32, activation=tf.nn.relu), # [b, 64] => [b, 32] layers.Dense(10) # [b, 32] => [b, 10], 330 = 32*10 + 10 ]) # 拿到这个层,喂给它一个权值,构建这样的一个输入。 model.build(input_shape=[None, 28*28]) model.summary() #调试的功能,可以打印网络结构。可以看出来总共有24万个,24万跟线,4字节的float.参数量一共100kb左右。gradient可能更大。 # 优化器 # w = w - lr*grads optimizer = optimizers.Adam(lr=1e-3) def main(): for epoch in range(30): for step, (x, y) in enumerate(db): # x: [b, 28, 28] => [b, 784] # y: [b] x = tf.reshape(x, [-1, 28*28]) with tf.GradientTape() as tape: # 前向传播,这里非常的简单。 # [b, 784] => [b, 10] logits = model(x) #调用完成前向传播。 y_onehot = tf.one_hot(y, depth=10) #one-hot 标签编码 # 返回shape为[b],每个instance求一个实例。 loss_mse = tf.reduce_mean(tf.losses.MSE(y_onehot, logits)) # loss_ce = tf.losses.categorical_crossentropy(y_onehot, logits, from_logits=True) # loss_ce = tf.reduce_mean(loss_ce) grads = tape.gradient(loss_mse, model.trainable_variables) #根据w=w-lr*grads把所有参数进行原地更新。zip的作用就是:把2个list(grads和mode...)中都为第0个的元素拼在一起,第1个同样2,3。 optimizer.apply_gradients(zip(grads, model.trainable_variables)) if step % 100 == 0: print(epoch,step,'loss: ', float(loss_mse)) #test: 只需要做前向传播。 total_correct = 0 #总的正确的个数。 total_num = 0 #总的测试的个数。 for (x, y) in db_test: # x: [b, 28, 28] => [b, 784] # y: [b] x = tf.reshape(x, [-1, 28*28]) #同样的道理这里我们不需要做一个GradientTape()的包围。 logits = model(x) # 调用完成前向传播。 # 首先把logits => problity prob = tf.nn.softmax(logits, axis=1) # [b, 10] => [b] pred = tf.argmax(prob, axis=1) pred = tf.cast(pred, dtype=tf.int32) # pred: [b] # y: [b] #correct: [b], True: equal, False: not equal correct = tf.equal(pred, y) correct = tf.reduce_sum(tf.cast(correct, dtype=tf.int32)) # 这里为什么需要做一个int,因为correct其实为一个tensor,但是我们这里的total_correct为一个numpy。 # 需要把correct转换为一个numpy。 total_correct += int(correct) total_num +=x.shape[0] acc = total_correct / total_num print(epoch, 'test acc: ', acc) if __name__ == '__main__': main()