目录

一、数据加载（keras.datasets）

1.1 MNIST 加载

1.2 CIFAR10/100 加载

1.3 tf.data.Dataset.from_tensor_slices

1.4 .shuffle （对应打散数据）

1.5 .map（数据预处理）

1.6 .batch  /  .repeat

二、全连接层

三、输出方式

3.1 y ∈ R 

3.2 y ∈ [0. 1] 

3.3 y ∈ [0, 1]，Σ y = 1

3.4 y ∈ [-1, 1] 

四、误差计算

4.1 MSE 

4.2 交叉熵（用于分类）

4.2.1 二分类

4.2.3 多分类

---

一、数据加载（keras.datasets）

数据集列表：

        （1）boston housing：波士顿房价

        （2）mnist：手写数字集

        （3）cifar：另一个小型的图片识别的

        （4）imdb：用户评语（100字以内），好评差评

1.1 MNIST 加载

（x，y），（x_test，y_test）

x，y 为训练集：[60k, 28, 28]，[60k, ]

x_test，y_test 为测试集：[10k, 28, 28]，[10k, ]

因为都是灰度图，所以颜色通道是 1

导入的格式是个 numpy 的api，所以可以直接 x.min()，不然 tensor 中是 tf.reduce_min

1.2 CIFAR10/100 加载

CIFAR10 就是 10 类，CIFAR100 就是把每一个大类都细分，最后成 100 个小类

因为  cifar 大小非常小，所以图片会模糊，真实大小是 [32, 32, 3]

（x，y），（x_test，y_test）

x，y 为训练集：[50k, 32, 32]，[50k, 1]

x_test，y_test 为测试集：[10k, 32, 32]，[10k, 1]

1.3 tf.data.Dataset.from_tensor_slices

       因为加载的都是 numpy 格式的，都是要转化为 tensor 的，所以就有了一个函数直接使用就是：tf.data.Dataset.from_tensor_slices

       但是要先取它的迭代器，再取它，就是 next(iter(db))

1.4 .shuffle （对应打散数据）

防止数据集排列的规律一致，如y（label）都是0-9这样排列，所以就把数据 x对应y来打散

1.5 .map（数据预处理）

1.6 .batch  /  .repeat

用 while 的话会触发一个异常 

代码：新的 TF06 forward.py

二、全连接层

代码： mlp.py

三、输出方式

3.1 y ∈ R 

3.2 y ∈ [0. 1] 

3.3 y ∈ [0, 1]，Σ y = 1

sigmoid 不能保证所有概率之和为1

softmax 可以

3.4 y ∈ [-1, 1] 

四、误差计算

4.1 MSE 

4.2 交叉熵（用于分类）

熵（Entropy）的概念

交叉熵（Cross Entropy）：

4.2.1 二分类

二分类有两种格式，但是现在来说这两种并没有什么影响

qi 为在 i 结点输出的 概率

4.2.3 多分类

categorical_crossentropy 小写形式是一个函数，大写形式是一个类，调用方式不一样

binary_crossentropy 和 BinaryCrossentropy 也是

BinaryCrossentropy()([1], [0.1]) 前一个括号是建立这个类，可以命名为 criteon

具体使用需要我们自己总结经验

最好设置 from_logits=True 不然会出现数值不稳定的情况，tensorflow 默认是 False