# 《30天吃掉那只 TensorFlow2.0》 3-2 中阶API示范

## 3-2 中阶API示范

### 文章目录

TensorFlow的中阶API主要包括各种模型层，损失函数，优化器，数据管道，特征列等等。

[En]

First of all, we can define a function to print the time division line, which can facilitate the visualization of the printing time later.

import tensorflow as tf

@tf.function
def printbar():
today_ts = tf.timestamp()%(24*60*60)

hour = tf.cast(today_ts//3600+8,tf.int32)%tf.constant(24)
minite = tf.cast((today_ts%3600)//60,tf.int32)
second = tf.cast(tf.floor(today_ts%60),tf.int32)

def timeformat(m):
if tf.strings.length(tf.strings.format("{}",m))==1:
return(tf.strings.format("0{}",m))
else:
return(tf.strings.format("{}",m))

timestring = tf.strings.join([timeformat(hour),timeformat(minite),
timeformat(second)],separator = ":")
tf.print("=========="*8+timestring)



### 一，线性回归模型

[En]

Let’s take the linear regression model as an example.

#### 1，准备数据

import numpy as np
import pandas as pd
from matplotlib import pyplot as plt
import tensorflow as tf
from tensorflow.keras import layers,losses,metrics,optimizers

n = 400

X = tf.random.uniform([n,2],minval=-10,maxval=10)
w0 = tf.constant([[2.0],[-3.0]])
b0 = tf.constant([[3.0]])
Y = X@w0 + b0 + tf.random.normal([n,1],mean = 0.0,stddev= 2.0)



%matplotlib inline
%config InlineBackend.figure_format = 'svg'
plt.figure(figsize = (12,5))
ax1 = plt.subplot(121)
ax1.scatter(X[:,0],Y[:,0], c = "b")
plt.xlabel("x1")
plt.ylabel("y",rotation = 0)

ax2 = plt.subplot(122)
ax2.scatter(X[:,1],Y[:,0], c = "g")
plt.xlabel("x2")
plt.ylabel("y",rotation = 0)
plt.show()




ds = tf.data.Dataset.from_tensor_slices((X,Y)) \
.shuffle(buffer_size = 100).batch(10) \
.prefetch(tf.data.experimental.AUTOTUNE)


#### 2，定义模型

model = layers.Dense(units = 1)
model.build(input_shape = (2,))
model.loss_func = losses.mean_squared_error
model.optimizer = optimizers.SGD(learning_rate=0.001)


#### 3，训练模型

[En]

And then we can use the same method to train the model.


@tf.function
def train_step(model, features, labels):
with tf.GradientTape() as tape:
predictions = model(features)
loss = model.loss_func(tf.reshape(labels,[-1]), tf.reshape(predictions,[-1]))
return loss

features,labels = next(ds.as_numpy_iterator())
train_step(model,features,labels)


def train_model(model,epochs):
for epoch in tf.range(1,epochs+1):
loss = tf.constant(0.0)
for features, labels in ds:
loss = train_step(model,features,labels)
if epoch%50==0:
printbar()
tf.print("epoch =",epoch,"loss = ",loss)
tf.print("w =",model.variables[0])
tf.print("b =",model.variables[1])
train_model(model,epochs = 200)


================================================================================17:01:48
epoch = 50 loss =  2.56481647
w = [[1.99355531]
[-2.99061537]]
b = [3.09484935]
================================================================================17:01:51
epoch = 100 loss =  5.96198225
w = [[1.98028314]
[-2.96975136]]
b = [3.09501529]
================================================================================17:01:54
epoch = 150 loss =  4.79625702
w = [[2.00056171]
[-2.98774862]]
b = [3.09567738]
================================================================================17:01:58
epoch = 200 loss =  8.26704407
w = [[2.00282311]
[-2.99300027]]
b = [3.09406662]


[En]

We can also visualize our results here and get the expected results.


%matplotlib inline
%config InlineBackend.figure_format = 'svg'

w,b = model.variables

plt.figure(figsize = (12,5))
ax1 = plt.subplot(121)
ax1.scatter(X[:,0],Y[:,0], c = "b",label = "samples")
ax1.plot(X[:,0],w[0]*X[:,0]+b[0],"-r",linewidth = 5.0,label = "model")
ax1.legend()
plt.xlabel("x1")
plt.ylabel("y",rotation = 0)

ax2 = plt.subplot(122)
ax2.scatter(X[:,1],Y[:,0], c = "g",label = "samples")
ax2.plot(X[:,1],w[1]*X[:,1]+b[0],"-r",linewidth = 5.0,label = "model")
ax2.legend()
plt.xlabel("x2")
plt.ylabel("y",rotation = 0)

plt.show()



### 二， DNN二分类模型

#### 1，准备数据

• 生成正样本, 小圆环分布
• 生成负样本, 大圆环分布 生成后也可以可视化，对数据的分布有一个更好的理解
import numpy as np
import pandas as pd
from matplotlib import pyplot as plt
import tensorflow as tf
from tensorflow.keras import layers,losses,metrics,optimizers
%matplotlib inline
%config InlineBackend.figure_format = 'svg'

n_positive,n_negative = 2000,2000

r_p = 5.0 + tf.random.truncated_normal([n_positive,1],0.0,1.0)
theta_p = tf.random.uniform([n_positive,1],0.0,2*np.pi)
Xp = tf.concat([r_p*tf.cos(theta_p),r_p*tf.sin(theta_p)],axis = 1)
Yp = tf.ones_like(r_p)

r_n = 8.0 + tf.random.truncated_normal([n_negative,1],0.0,1.0)
theta_n = tf.random.uniform([n_negative,1],0.0,2*np.pi)
Xn = tf.concat([r_n*tf.cos(theta_n),r_n*tf.sin(theta_n)],axis = 1)
Yn = tf.zeros_like(r_n)

X = tf.concat([Xp,Xn],axis = 0)
Y = tf.concat([Yp,Yn],axis = 0)

plt.figure(figsize = (6,6))
plt.scatter(Xp[:,0].numpy(),Xp[:,1].numpy(),c = "r")
plt.scatter(Xn[:,0].numpy(),Xn[:,1].numpy(),c = "g")
plt.legend(["positive","negative"]);




ds = tf.data.Dataset.from_tensor_slices((X,Y)) \
.shuffle(buffer_size = 4000).batch(100) \
.prefetch(tf.data.experimental.AUTOTUNE)


#### 2, 定义模型

class DNNModel(tf.Module):
def __init__(self,name = None):
super(DNNModel, self).__init__(name=name)
self.dense1 = layers.Dense(4,activation = "relu")
self.dense2 = layers.Dense(8,activation = "relu")
self.dense3 = layers.Dense(1,activation = "sigmoid")

@tf.function(input_signature=[tf.TensorSpec(shape = [None,2], dtype = tf.float32)])
def __call__(self,x):
x = self.dense1(x)
x = self.dense2(x)
y = self.dense3(x)
return y

model = DNNModel()
model.loss_func = losses.binary_crossentropy
model.metric_func = metrics.binary_accuracy



(features,labels) = next(ds.as_numpy_iterator())

predictions = model(features)

loss = model.loss_func(tf.reshape(labels,[-1]),tf.reshape(predictions,[-1]))
metric = model.metric_func(tf.reshape(labels,[-1]),tf.reshape(predictions,[-1]))

tf.print("init loss:",loss)
tf.print("init metric",metric)


init loss: 1.13653195
init metric 0.5


#### 3，训练模型


@tf.function
def train_step(model, features, labels):
with tf.GradientTape() as tape:
predictions = model(features)
loss = model.loss_func(tf.reshape(labels,[-1]), tf.reshape(predictions,[-1]))

metric = model.metric_func(tf.reshape(labels,[-1]), tf.reshape(predictions,[-1]))

return loss,metric

features,labels = next(ds.as_numpy_iterator())
train_step(model,features,labels)

(<tf.tensor: shape="()," dtype="float32," numpy="1.2033114">,
<tf.tensor: shape="()," dtype="float32," numpy="0.47">)
</tf.tensor:></tf.tensor:>

def train_model(model,epochs):
for epoch in tf.range(1,epochs+1):
loss, metric = tf.constant(0.0),tf.constant(0.0)
for features, labels in ds:
loss,metric = train_step(model,features,labels)
if epoch%10==0:
printbar()
tf.print("epoch =",epoch,"loss = ",loss, "accuracy = ",metric)
train_model(model,epochs = 60)


================================================================================17:07:36
epoch = 10 loss =  0.556449413 accuracy =  0.79
================================================================================17:07:38
epoch = 20 loss =  0.439187407 accuracy =  0.86
================================================================================17:07:40
epoch = 30 loss =  0.259921253 accuracy =  0.95
================================================================================17:07:42
epoch = 40 loss =  0.244920313 accuracy =  0.9
================================================================================17:07:43
epoch = 50 loss =  0.19839409 accuracy =  0.92
================================================================================17:07:45
epoch = 60 loss =  0.126151696 accuracy =  0.95


fig, (ax1,ax2) = plt.subplots(nrows=1,ncols=2,figsize = (12,5))
ax1.scatter(Xp[:,0].numpy(),Xp[:,1].numpy(),c = "r")
ax1.scatter(Xn[:,0].numpy(),Xn[:,1].numpy(),c = "g")
ax1.legend(["positive","negative"]);
ax1.set_title("y_true");

Xp_pred = tf.boolean_mask(X,tf.squeeze(model(X)>=0.5),axis = 0)
Xn_pred = tf.boolean_mask(X,tf.squeeze(model(X)<0.5),axis = 0)

ax2.scatter(Xp_pred[:,0].numpy(),Xp_pred[:,1].numpy(),c = "r")
ax2.scatter(Xn_pred[:,0].numpy(),Xn_pred[:,1].numpy(),c = "g")
ax2.legend(["positive","negative"]);
ax2.set_title("y_pred");



Original: https://blog.csdn.net/weixin_45508265/article/details/126551360
Author: 风信子的猫Redamancy
Title: 《30天吃掉那只 TensorFlow2.0》 3-2 中阶API示范

(0)

### 大家都在看

人工智能 2023年7月5日
0121
• #### 车辆运动控制（1）车辆运动学建模

车辆运动控制（1）车辆运动学建模 1. 简介 2. 车辆运动学 3. 运动模型 4. 推导 5. 车辆跟踪误差模型 简介 车辆运动规划与控制需要通过对车辆运动学或者动力学系统的控制…

人工智能 2023年6月2日
0154
• #### 【论文笔记_多教师知识蒸馏_2022】CONFIDENCE-AWARE MULTI-TEACHER KNOWLEDGE DISTILLATION

; 摘要 知识蒸馏最初是为了利用单个教师模型的额外监督来进行学生模型培训。为了提高学生的表现，最近的一些变体试图利用来自多名教师的不同知识来源。然而，现有的研究主要通过对多个教师预…

人工智能 2023年5月28日
0132
• #### opencv dnn模块实现Yolov5_6.1

yolov5 6.1同时支持Opencv dnn、TensorRT、Edge TPU和OpenVINO模块部署，在工程实现上就方便多了。 首先要将pt文件导出为onnx模型文件 运…

人工智能 2023年6月18日
0137
• #### 深度学习参数初始化（二）Kaiming初始化 含代码

目录 一、介绍 二、基础知识 三、Kaiming初始化的假设条件 四、Kaiming初始化的简单的公式推导 1.前向传播 2.反向传播 五、Pytorch实现 深度学习参数初始化系…

人工智能 2023年7月23日
0142
• #### 【ROS进阶篇】第九讲 基于Rviz和Arbotix控制的机器人模型运动

【ROS进阶篇】第九讲 基于Rviz和Arbotix控制的机器人模型运动 文章目录 【ROS进阶篇】第九讲 基于Rviz和Arbotix控制的机器人模型运动 前言 一、Arboti…

人工智能 2023年6月10日
0268
• #### OpenCV python（二）图像预处理：改变图像大小 && 提取感兴趣区域

OpenCV python（二）图像预处理：改变图像大小 && 提取感兴趣区域 一、改变图像大小 * 1、获取图像宽、高、通道数 2、resize函数 3、案例 二…

人工智能 2023年6月24日
0141
• #### YOLO系列梳理（三）YOLOv5

前言YOLOv5 是在 YOLOv4 出来之后没多久就横空出世了。今天笔者介绍一下 YOLOv5 的相关知识。目前 YOLOv5 发布了新的版本，6.0版本。在这里，YOLOv5 …

人工智能 2023年7月23日
0138
• #### YOLOX源码解读系列

1.YOLOX总体结构 demo MegEngine：旷视深度学习开源框架–天元（2020.03.25发布）ONNX：Open Neural Network Exchange ，是…

人工智能 2023年7月10日
0148
• #### 深度学习（一）深度学习简介以及常用算法

深度学习 深度学习的概念源于人工神经网络的研究，但是并不完全等于传统神经网络。 不过在叫法上，很多深度学习算法中都会包含”神经网络”这个词，比如：卷积神经网…

人工智能 2023年6月26日
0189
• #### C/C++编程工具及实用小软件推荐

目录 1、概述 2、IDE开发工具介绍 2.1、Visual Studio 2.2、QT Creator 3、代码查看与编辑工具 3.1、Visual Studio Code 3….

人工智能 2023年5月30日
0142
• #### 注意力机制详解

1.特性 即插即用 在特征提取效果显著 微调模型的小技巧 2.核心思想 本质上与人类视觉选择性注意力机制类似，从众多信息中选出对当前任务目标更为关键的信息。 通过手段获取每张特征图…

人工智能 2023年7月5日
0130
• #### 目标检测—全卷积实现

目标检测—全卷积实现 文章目录 目标检测—全卷积实现 * 一.相关知识点的学习 – 二分类交叉熵： MSE： 多分类交叉熵： FCN网络： 二.代码实现目标检测 首先照…

人工智能 2023年7月12日
0166
• #### 【AI视野·今日NLP 自然语言处理论文速览 第二十七期】Thu, 4 Nov 2021

AI视野·今日CS.NLP 自然语言处理论文速览Thu, 4 Nov 2021Totally 20 papers👉上期速览✈更多精彩请移步主页 ; Daily Computatio…

人工智能 2023年5月30日
0167
• #### 盘点知识图谱在 5 大智能领域的应用

导读：知识图谱工程实践仅仅是迈向智能的第一步。丰富的结构化知识很有用，但是如何将这些符号化的知识融合应用到计算框架中仍然是一大挑战。通过与各类自然语言处理算法或模型结合，由知识驱动…

人工智能 2023年6月19日
0134
• #### pytorch-lightning入门（一）—— 初了解

最近PyTorch Lightning的风很大，来看看为啥它这么火🔥本文主要大致了解一下pytorch-lighting是什么，优点是什么，代码的主要结构。具体细节和案例后面给出。…

人工智能 2023年7月22日
0129