课程地址：【北京大学】Tensorflow2.0_哔哩哔哩_bilibili
Python3.7和TensorFlow2.1
六讲：
神经网络计算：神经网络的计算过程，搭建第一个神经网络模型
神经网络优化：神经网络的优化方法，掌握学习率、激活函数、损失函数和正则化的使用，用Python语言写出SGD、Momentum、Adagrad、RMSProp、Adam五种反向传播优化器
神经网络八股：神经网络搭建八股，六步法写出手写数字识别训练模型
网络八股扩展：神经网络八股扩展，增加自制数据集、数据增强、断点续训、参数提取和acc/loss可视化，实现给图识物的应用程序
卷积神经网络：用基础CNN、LeNet、AlexNet、VGGNet、InceptionNet和ResNet实现图像识别
循环神经网络：用基础RNN、LSTM、GRU实现股票预测
上一讲：六步法搭建神经网络八股（tf.keras），使用MNIST数据集和FASHION数据集训练网络参数，提升识别准确率
import
train，test：需要引入训练集输入特征及标签，测试集输入特征及标签，都是用别人打包好的数据集，直接调用 .load_data() 函数实现加载
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()当使用自制数据集解决本领域应用时，怎么给x_train, y_train, x_test, y_test赋值
若数据量过小，模型泛化力弱，如何做数据增强，扩展数据，提高泛化力
Sequential / class
model = tf.keras.models.Sequential()
或
class MyModel(Model):
...
model = Mymodel() # 定义模型model.compile 配置模型
model.fit 训练模型
若每次模型训练都从0开始，十分不划算 —— 断点续训，实时保存最优模型
model.summary
神经网络训练的目的就是获取各层网络最优的参数，只要拿到这些参数，可以在各个平台实现前向推理，复现出模型，实现应用的 —— 参数提取，把参数存入文本
acc和loss曲线可以见证模型的优化过程 —— acc/loss可视化，查看训练效果
前向推理实现应用：给图识物的应用程序，输入神经网络一组新的、从未见过的特征，输出预测结果
本讲：
自制数据集，解决本领域应用
数据增强，扩充数据集
断点续训，存取模型
参数提取，把参数存入文本
acc/loss可视化，查看训练效果
应用程序，实现给图识物
本讲所有代码baseline均为MNIST分类（Sequential版）的代码，5个epoch后最终测试集的损失为0.0813，准确率为97.53%。完整代码见：【3-神经网络八股】北京大学TensorFlow2.0 - CSDN
自制数据集，解决本领域应用
mnist_image_label文件夹：
下面代码只贴出相比baseline改动的部分：
# PIL是Python中常用的图像处理库，提供了诸如图像打开、缩放、旋转、颜色转换等常用功能
from PIL import Image # 从PIL(Python Imaging Library)模块中导入Image类
import numpy as np
import os
train_path = './mnist_image_label/mnist_train_jpg_60000/' # 训练集图片路径
train_txt = './mnist_image_label/mnist_train_jpg_60000.txt' # 训练集标签文件
# 在使用训练好的模型时，有一种保存模型的文件格式叫.npy，是numpy专用的二进制文件
x_train_savepath = './mnist_image_label/mnist_x_train.npy' # 训练集输入特征存储文件
y_train_savepath = './mnist_image_label/mnist_y_train.npy' # 训练集标签存储文件
test_path = './mnist_image_label/mnist_test_jpg_10000/' # 测试集图片路径
test_txt = './mnist_image_label/mnist_test_jpg_10000.txt' # 测试集标签文件
x_test_savepath = './mnist_image_label/mnist_x_test.npy' # 测试集输入特征存储文件
y_test_savepath = './mnist_image_label/mnist_y_test.npy' # 测试集标签存储文件
def generateds(path, txt): # path为图片路径，txt为标签文件
f = open(txt, 'r') # 以只读形式打开txt文件
contents = f.readlines() # 读取文件中所有行
f.close() # 关闭txt文件
x, y_ = [], [] # 建立空列表
for content in contents: # 逐行取出
value = content.split() # 以空格分开，图片路径为value[0] , 标签为value[1] , 存入列表
img_path = path + value[0] # 拼出图片路径和文件名，为图片的索引路径
img = Image.open(img_path) # 读入图片
# image = image.convert()是图像实例对象的一个方法，接受一个mode参数，用以指定一种色彩模式
img = np.array(img.convert('L')) # 图片变为8位宽度的灰度值，np.array格式
img = img / 255. # 数据归一化 （实现预处理）
x.append(img) # 归一化后的数据，贴到列表x
y_.append(value[1]) # 标签贴到列表y_
print('loading : ' + content) # 打印状态提示
x = np.array(x) # 变为np.array格式
y_ = np.array(y_) # 变为np.array格式
# arr.astype(“具体的数据类型”) 转换numpy数组的数据类型
y_ = y_.astype(np.int64) # 变为64位整型
return x, y_ # 返回输入特征x，标签y_
# 判断训练集输入特征x_train和标签y_train、测试集输入特征x_test和标签y_test是否已存在
if os.path.exists(x_train_savepath) and os.path.exists(y_train_savepath) and os.path.exists(
x_test_savepath) and os.path.exists(y_test_savepath):
print('-------------Load Datasets-----------------') # 若存在，直接读取
x_train_save = np.load(x_train_savepath)
y_train = np.load(y_train_savepath)
x_test_save = np.load(x_test_savepath)
y_test = np.load(y_test_savepath)
x_train = np.reshape(x_train_save, (len(x_train_save), 28, 28))
x_test = np.reshape(x_test_save, (len(x_test_save), 28, 28))
else: # 若不存在，调用generateds(path, txt)函数制作数据集
print('-------------Generate Datasets-----------------')
x_train, y_train = generateds(train_path, train_txt)
x_test, y_test = generateds(test_path, test_txt)
print('-------------Save Datasets-----------------')
x_train_save = np.reshape(x_train, (len(x_train), -1))
x_test_save = np.reshape(x_test, (len(x_test), -1))
# np.save(文件保存路径, 需要保存的数组) 以.npy格式将数组保存到二进制文件中
np.save(x_train_savepath, x_train_save)
np.save(y_train_savepath, y_train)
np.save(x_test_savepath, x_test_save)
np.save(y_test_savepath, y_test)
可以看出程序制作出了 .npy 格式的数据集
数据增强，扩充数据集
对图像的增强就是对图像的简单形变，用来应对因拍照角度不同引起的图片变形。数据增强在小数据量上可以增加模型泛化性
image_gen_train = tf.keras.preprocessing.image.ImageDataGenerator(增强方法)
image_gen_train.fit(x_train) # 数据增强函数的输入要求是4维，通过reshape调整
下面代码只贴出相比baseline改动的部分：
from keras.preprocessing.image import ImageDataGenerator
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
x_train = x_train.reshape(x_train.shape[0], 28, 28, 1) # 给数据增加一个维度，使数据和网络结构匹配，从(60000, 28, 28)reshape为(60000, 28, 28, 1)
image_gen_train = ImageDataGenerator(
rescale=1. / 1., # 如为图像，分母为255时，可归至0～1
rotation_range=45, # 随机45度旋转
width_shift_range=.15, # 宽度偏移
height_shift_range=.15, # 高度偏移
horizontal_flip=False, # 水平翻转
zoom_range=0.5 # 将图像随机缩放 阈量50％
)
image_gen_train.fit(x_train) # 把x_train送入数据增强操作
model.fit(image_gen_train.flow(x_train, y_train, batch_size=32), epochs=5, validation_data=(x_test, y_test), validation_freq=1) # fit时以flow形式按照batch打包后执行训练过程
由于使用的数据为标准MNIST数据集，单纯从测试集准确率上看不出数据增强效果，需要从实际应用程序中体会
数据增强可视化
# 显示原始图像和增强后的图像
import tensorflow as tf
from matplotlib import pyplot as plt
from keras.preprocessing.image import ImageDataGenerator
import numpy as np
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train = x_train.reshape(x_train.shape[0], 28, 28, 1)
image_gen_train = ImageDataGenerator(
rescale=1. / 255,
rotation_range=45,
width_shift_range=.15,
height_shift_range=.15,
horizontal_flip=False,
zoom_range=0.5
)
image_gen_train.fit(x_train)
print("xtrain",x_train.shape) # (60000, 28, 28, 1)
# np.squeeze(输入的数组, axis=) axis用于指定需要删除的维度，且必须为单维度，若为空，删除所有单维度的条目
# 返回值：数组 不会修改原数组
# 作用：从数组的形状中删除单维度条目，即把shape中为1的维度去掉
x_train_subset1 = np.squeeze(x_train[:12])
print("xtrain_subset1",x_train_subset1.shape) # (12, 28, 28)
print("xtrain",x_train.shape)
x_train_subset2 = x_train[:12] # 一次显示12张图片
print("xtrain_subset2",x_train_subset2.shape) # (12, 28, 28, 1)
fig = plt.figure(figsize=(20, 2))
plt.set_cmap('gray')
# 显示原始图片
for i in range(0, len(x_train_subset1)):
ax = fig.add_subplot(1, 12, i + 1)
ax.imshow(x_train_subset1[i])
fig.suptitle('Subset of Original Training Images', fontsize=20)
plt.show()
# 显示增强后的图片
fig = plt.figure(figsize=(20, 2))
for x_batch in image_gen_train.flow(x_train_subset2, batch_size=12, shuffle=False):
for i in range(0, 12):
ax = fig.add_subplot(1, 12, i + 1)
ax.imshow(np.squeeze(x_batch[i]))
fig.suptitle('Augmented Images', fontsize=20)
plt.show()
break;
断点续训，存取模型
在进行神经网络训练过程中，由于一些因素导致训练无法进行，需要保存当前的训练结果下次接着训练
（一）读取模型
load_weights(路径文件名) 直接读取已有模型的参数
下面代码只贴出相比baseline改动的部分：
import os # 为了判断保存的模型参数是否存在
checkpoint_save_path = "./checkpoint/mnist.ckpt" # 定义存放模型的路径和文件名，命名为ckpt文件，生成ckpt文件时会同步生成索引表
if os.path.exists(checkpoint_save_path + '.index'): # 通过判断是否存在索引表，判断是否已经保存过模型参数
print('-------------load the model-----------------')
model.load_weights(checkpoint_save_path) # 若已经有了索引表，直接读取模型参数（二）保存模型
借助TensorFlow给出的回调函数tf.keras.callbacks.ModelCheckpoint，在训练过程中保存模型的权重，并在训练结束后保存最优权重。使用回调函数可以方便地继续训练模型或加载之前训练过的模型
模板：
cp_callback = tf.keras.callbacks.ModelCheckpoint(
filepath=路径文件名, # 文件存储路径
save_weights_only=True/False, # 是否只保留模型参数
save_best_only=True/False, # 是否只保留最优结果
monitor='val_loss'/'loss') # monitor配合save_best_only可以保存最优模型，包括：训练损失最小模型、测试损失最小模型、训练准确率最高模型、测试准确率最高模型等
history = model.fit( callbacks=[cp_callback] ) # 执行训练过程时加入callbacks选项，记录到history中
# history里储存了loss和metrics结果，用于后面可视化下面代码只贴出相比baseline改动的部分：
# 保存训练出来的模型参数，使用回调函数，返回给cp_callback
cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,
save_weights_only=True,
save_best_only=True)
history = model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1, callbacks=[cp_callback]) # 在fit中加入callbacks(回调选项)，赋值给history
训练过程中出现checkpoint文件夹，里面存放的就是模型参数
再次运行，程序会加载刚才保存的模型参数：
这次训练的准确率是在刚刚保存的模型基础上继续提升的
参数提取，把参数存入文本
（一）提取可训练参数
model.trainable_variables # 返回模型中可训练的参数直接print的话，很多数据会被省略号替换：
模型结构如下：
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(10, activation='softmax')
])模型中可训练参数有：
[<tf.Variable 'dense/kernel:0' shape=(784, 128) dtype=float32, numpy=array([[...]], dtype=float32)>
<tf.Variable 'dense/bias:0' shape=(128,) dtype=float32, numpy=array([...],dtype=float32)>
<tf.Variable 'dense_1/kernel:0' shape=(128, 10) dtype=float32, numpy=array([[...]], dtype=float32)>
<tf.Variable 'dense_1/bias:0' shape=(10,) dtype=float32, numpy=array([...],dtype=float32)>
（二）设置print输出格式
np.set_printoptions(
precision=小数点后按四舍五入保留几位,
threshold=数组元素数量少于或等于门槛值，打印全部元素；否则打印门槛值+1个元素，中间用省略号补充)
threshold = np.inf 打印全部数组元素，np.inf表示无限大
# 在断点续训的基础上添加参数提取功能
import numpy as np
np.set_printoptions(threshold=np.inf) # 设置打印选项，打印所有内容
print(model.trainable_variables) # 打印出所有可训练参数
file = open('./weights.txt', 'w') # 存入文本文件
for v in model.trainable_variables: # 用for循环把所有可训练参数存入文本
file.write(str(v.name) + '\n')
file.write(str(v.shape) + '\n')
file.write(str(v.numpy()) + '\n')
file.close()
acc/loss可视化，查看训练效果
在model.fit执行训练过程时，同步记录了训练集loss、测试集loss、训练集准确率、测试集准确率，可以用history.history提取出来
history = model.fit(训练集数据, 训练集标签, batch_size=, epochs=, validation_split=用作测试数据的比例, validation_data=测试集, validation_freq=测试频率) # 执行训练过程
'''
history：
训练集loss： loss
测试集loss： val_loss
训练集准确率： sparse_categorical_accuracy
测试集准确率： val_sparse_categorical_accuracy
通过history.history提取出来
'''
loss = history.history['loss']
val_loss = history.history['val_loss']
acc = history.history['sparse_categorical_accuracy']
val_acc = history.history['val_sparse_categorical_accuracy']下面代码只贴出相比baseline改动的部分：
from matplotlib import pyplot as plt
# 显示训练集和验证集的acc和loss曲线
# 用history.history提取model.fit函数在执行训练过程中保存的：
acc = history.history['sparse_categorical_accuracy'] # 训练集准确率
val_acc = history.history['val_sparse_categorical_accuracy'] # 测试集准确率
loss = history.history['loss'] # 训练集损失函数数值
val_loss = history.history['val_loss'] # 测试集损失函数数值
plt.subplot(1, 2, 1) # 一行两列，第一列
plt.plot(acc, label='Training Accuracy')
plt.plot(val_acc, label='Validation Accuracy')
plt.title('Training and Validation Accuracy')
plt.legend()
plt.subplot(1, 2, 2)
plt.plot(loss, label='Training Loss')
plt.plot(val_loss, label='Validation Loss')
plt.title('Training and Validation Loss')
plt.legend()
plt.show()
