一、神经网络

1、全连接层（前向传播）

（1）张量方式实现：tf.matmul

（2）层方式实现：

① layers.Dense(输出节点数,激活函数)，输入节点数函数自动获取

fc.kernel：获取权值矩阵 W

fc.bias：获取偏置向量 b

扫描二维码关注公众号，回复： 10159769 查看本文章

fc.trainable_variables：返回待优化参数列表

fc.non_trainable_variables：不需要优化的参数列表，如Batch Normalization 层。

fc.variables :返回所有内部张量列表

② Sequence容器：可通过Sequence容器封装成一个网络大类对象。

# 导入 Sequential容器
from tensorflow.keras import layers,Sequential

# 通过 Sequential容器封装为一个网络类
model = Sequential([
    layers.Dense(256, activation=tf.nn.relu) , # 创建隐藏层 1
    layers.Dense(128, activation=tf.nn.relu) , # 创建隐藏层 2 
    layers.Dense(64, activation=tf.nn.relu) , # 创建隐藏层 3 
    layers.Dense(10, activation=None) , # 创建输出层
])

out = model(x) #  前向计算得到输出

2、激活函数

tf.nn.sigmoid(x)：
tf.nn.softmax(x)：
tf.nn.relu(x) ：
tf.nn.leaky_relu(x,alpha)： ，alpha为p
tf.nn.tanh(x)：

3、误差计算

均方误差MSE：keras.losses.MSE(y_实际, y_预测) 或者 keras.losses.MeanSquaredError：

o = tf.random.normal([2,10]) # 构造网络输出 
y_onehot = tf.constant([1,3]) # 构造真实值 
y_onehot = tf.one_hot(y_onehot, depth=10)

#直接计算
loss = keras.losses.MSE(y_onehot, o) # 计算均方差 
loss = tf.reduce_mean(loss) # 计算 batch均方差 

#层方式
criteon = keras.losses.MeanSquaredError() 
loss = criteon(y_onehot,o) # 计算 batch均方差

交叉熵误差：keras.losses.categorical_crossentropy(实际,预测）或者keras.losses.CategoricalCrossentropy(from_logits=True)

z = tf.random.normal([2,10]) # 构造输出层的输出
y_onehot = tf.constant([1,3]) # 构造真实值
y_onehot = tf.one_hot(y_onehot, depth=10) # one-hot编码
# 输出层未使用 Softmax函数，故 from_logits设置为 True

####方式一
# 这样 categorical_crossentropy函数在计算损失函数前，会先内部调用 Softmax函数
loss = keras.losses.categorical_crossentropy(y_onehot,z,from_logits=True) loss = tf.reduce_mean(loss) # 计算平均交叉熵损失

####方式二
# 创建 Softmax与交叉熵计算类，输出层的输出 z未使用 softmax 
criteon = keras.losses.CategoricalCrossentropy(from_logits=True) 
loss = criteon(y_onehot,z) # 计算损失

4、反向传播

（1）构建梯度记录器（梯度跟踪）： with tf.GradientTape() as tape

（2）记录梯度信息（非 tf.Variable类型的张量需要人为设置记录梯度信息）：tape.watch([w1, b1, w2, b2])

（3）求解偏导（反向传播）：grads = tape.gradient(y, [w])[0]

x = tf.constant([4., 0.]) # 初始化参数

for step in range(200):# 循环优化 200次 
    with tf.GradientTape() as tape: #梯度跟踪 
        tape.watch([x]) # 加入梯度跟踪列表
        y = himmelblau(x) # 前向传播
    # 反向传播
    grads = tape.gradient(y, [x])[0]
    # 更新参数,0.01为学习率
    x -= 0.01*grads
    # 打印优化的极小值
    if step % 20 == 19:
        print ('step {}: x = {}, f(x) = {}'
               .format(step, x.numpy(), y.numpy()))

Tensorflow2.0学习（5）---神经网络