闲话
机器学习终于开坑了！！
机器学习当然要tensorflow+gpu啦（可我没有/(ㄒoㄒ)/~~）
学学基础tensorflow+cpu应该也可以吧
之前是直接看吴恩达的视频，那些算法原理懂了个大概，结果发现根本就无法实现...也无法理解 tf 里面那些函数的作用（后来发现是tensorflow的锅
所以这次准备再系统学习一遍
找基于tf 2 做机器学习的资源找了好半天
最后感觉还是这个视频讲的最详细 虽然还是tensorflow 1.x
https://www.bilibili.com/video/BV1ua4y1t7Ws?
他是先一步步手码实现实战实例，之后再用tf的函数来进行简化，更好让人理解原理和实现
tensorflow2.x的代码可以网上找
下面是正文
函数功能
只列举一部分。 需要的时候谁会看这个？直接搜索引擎不好吗
其实tf和numpy基础功能也差不多，用tf 2 也是为了更好和numpy兼容|更方便
-
tf.zeros(shape,dtype=tf.float32) 全0
-
tf.zeros_like(x) 直接根据x的dim来创建 0 matrix <==> tf.zeros(x.shape)
-
tf.ones(shape,dtpye=tf.float32) 全1
-
tf.ones(x) 创建一个标量|dim=0
-
tf.ones([]) 创建一个 1*1的向量,值为 x
-
tf.ones([x])** 创建向量 shape=x
-
tf.math.log :以e为底的对数函数
-
tf.exp :指数函数
-
tf.uniform(shape,minval,maxval,dtpye) 均匀变化的数组
-
tf.random.normal(shape,mean(均值默认0),stddev(方差默认1))
-
tf.fill(dim,value) 填充数字
-
tf.random.shuffle(x) 将 x数组 随机打乱
上面这些都和numpy没啥区别
- tf.gather(a,axis,idx) axis可以指定轴，然后这个轴按照idx这个list中的顺序取a的数据**
a.shape=[4,2,3,1] idx=[1,0,0,2]
a.shape=[2,4,4,3]
-
tf.constant(value,shape) 填充常数数字
-
返回维度
x.ndim
-
类型转换
# numpy转化为tensor xxx=tf.covert_to_tensor(name,dtype) # 转换为numpy x.numpy() # 判断是否为tensor类型 tf.is_tensor(x) # dataframe类型转换为 onehot data=pd.get_dummies(data,prefix=data.colums) # tf类型转onehot # dep是data中最大的数字+1 data=tf.onehot(data,depth=) -
shape|dim 操作
# 将x张量 变成shape形 tf.reshape(xx,shape) # -1代表这个维度的所有 tf.reshape(xx,[-1,xxx]) # 将x转化为1*depth的one_hot向量 tf.one_hot(x,depth) # xx张量增加第axis个维度（axis是从0开始） tf.expand_dim(xx,axis) # 感觉这后面的都不常用了 tf.transpose(a,vector(如[x1,x2,x3,x4])) # 相当于将原来图像做变换 # 比如原来是[n,h,w,c] vector=[0,3,2,1] # ==> [n,c,w,h] 这样可以使content不改变 '实质' # 将xx张量按axis和list分割成其他的张量 tf.split(xx,list,axis) # xi是张量，axis 表示张量在哪个轴上拼接 tf.concat([x1,x2,xn],axis) # 例如axis=0，则 [[x1],[x2]],axis=1,[[x1,x2]] # 删去axis轴 tf.squeeze(x,axis) # 例如 axis=0，xx=[[x1],[x2],[x3],[x4]],list=[1:2:1] # output：[x1] [[x2],[x3]] [x4] # 如果list是一个数代表平均分为list个张量
机器学习中维度的'含义'
dim=3
句子：一共有几个句子，每个句子有几个单词，每个单词被看作多少维向量
[num,len,vector_dim]
dim=4
二维卷积必须是四维
照片：一共有多少张照片，每个照片的大小（h，w），有几个通道
[num,height,weight,channel]
dim=5 |不太懂...
就是把一个总任务分割成了多个任务同时处理,每次处理的个数就成了第一维
[batch,num,h,w,rgb]
卷积神经网络 CNN
基本参数概念
filter
俗称卷积核：要设定长宽，但这个具体数值是后面自己学习来的，类似于神经网络中的 w（权值）
卷积核的长宽除了第一次是自己设定，后面都会有求解的公式
一般卷积核和input的二维数组都是正方形所以K=W1=H1
**卷积核大小 F 步长 S 边界填充P 卷积核个数K **
W2 = (W1 -F +2*P)/S+1
H2=(H2-F+2*P)/S+1
厚度=K 这个是忽略输入本身厚度 比如输入的彩色图片厚度是3，但是 K=10 厚度不是30还是10
但是 padding=same的话宽高是可以不变的，因为是自动选取padding，少了会自动设置padding使w不变
tensroflow2.x 都自动帮你计算好了，''随便'' 配置都行，甚至都不要你自己变onehot编码
stride
步长：就是卷积核在input的二维数组上移动的长度
padding
因为卷积核在提取特征的时候边缘必然会比中心提取的‘更少’，边缘权值变相的减少了，所以需要加入padding这个参数
来维持边缘边缘被提取的次数与中心相同
padding=1可以视为在外面围一圈0，padding=2... 以此类推
pool
池化：简单理解就是把特征的长宽进一步压缩
有max_pooling和 averge_pooling
一般分类问题max_pool会更好
一般卷积步骤
input -> conv -> relu ->pool (这三步重复任意次) -> FC (全连接层) -> output
卷积层数是不包括pooling层的，并且conv和relu只算一层，一个FC单独算一层，最后output也算FC只不过不同人叫法不一样
一般经典网络架构分析
目前通过 看这个视频了解到了alax net和vgg net 的优劣区别?