import osimport lr as lrimport tensorflow as tffrom pyspark.sql.functions import stddevfrom tensorflow.keras import datasetsos.environ['TF_CPP_MIN_LOG_LEVEL']='2'   #只打印error的信息(x,y),_=datasets.mnist.load_data()#x:    [60k,28,28]#y:    [60k]x=tf.convert_to_tensor(x,dtype=tf.float32)/255     #使x的值从0~255降到0~1y=tf.convert_to_tensor(y,dtype=tf.int32)print(x.shape,y.shape,x.dtype,y.dtype)print(tf.reduce_min(x),tf.reduce_max(x))print(tf.reduce_min(y),tf.reduce_max(y))train_db=tf.data.Dataset.from_tensor_slices((x,y)).batch(100)   #每次从60k中取100张train_iter=iter(train_db)   #迭代器sample=next(train_iter)print('batch:',sample[0].shape,sample[1].shape)#[b,784]=>[b,256]=>[b,128]=>[b,10]#[dim_in,dim_out],[dim_out]w1=tf.Variable(tf.random.truncated_normal([784,256],stddev=0.1))    #防止梯度爆炸，需要设定均值和方差的范围，原来是均值为0，方差为1，现在设置方差为0.1b1=tf.Variable(tf.zeros([256]))w2=tf.Variable(tf.random.truncated_normal([256,128],stddev=0.1))b2=tf.Variable(tf.zeros([128]))w3=tf.Variable(tf.random.truncated_normal([128,10],stddev=0.1))b3=tf.Variable(tf.zeros([10]))#h1=x@w1+b1     x指的是之前的一个batch,100个28*28的图片for epoch in range(10):     #对整个数据集进行10次迭代    for step,(x,y) in enumerate(train_db):        # x:[100,28,28]  y:[100]    对每个batch进行，整体进度        x=tf.reshape(x,[-1,28*28])      #[b,28,28]=>[b,28*28]  维度变换        with tf.GradientTape() as tape:       #tf.Variable            h1 = x @ w1 + b1  # [b,784]@[784,256]+[256]=>[b,256]            h1 = tf.nn.relu(h1)  # 加入非线性因素            h2 = h1 @ w2 + b2  # [b,256]@[256,128]+[128]=>[b,128]            h2 = tf.nn.relu(h2)            out = h2 @ w3 + b3  # [b,128]@[128,10]+[10]=>[b,10]      前项计算结束            # compute loss            # out:[b,10]            # y:[b]=>[b,10]            y_onehot = tf.one_hot(y, depth=10)   #将y  one_hot编码为长度为10的一维数组，好与x*w+b的[b,10]进行相减误差运算            # mes=mean(sum(y_onehot-out)^2)            loss = tf.square(y_onehot - out)            # mean:scalar            loss = tf.reduce_mean(loss)     #求均值，就是计算100张图片的平均误差        #compute gradient        grads=tape.gradient(loss,[w1,b1,w2,b2,w3,b3])    #loss函数中队w1,b1,w2,b2,w3,b3求导        # print(grads)        #w1=w1-lr*w1_grad   求下一个w1，梯度下降算法        # w1 = w1 - lr * grads[0]      #tf.Variable相减之后还是tf.tensor，需要原地更新        # b1 = b1 - lr * grads[1]        # w2 = w2 - lr * grads[2]        # b2 = b2 - lr * grads[3]        # w3 = w3 - lr * grads[4]        # b3 = b3 - lr * grads[5]        lr = 1e-3    #0.001        w1.assign_sub(lr * grads[0])        b1.assign_sub(lr * grads[1])        w2.assign_sub(lr * grads[2])        b2.assign_sub(lr * grads[3])        w3.assign_sub(lr * grads[4])        b3.assign_sub(lr * grads[5])        # print(isinstance(b3, tf.Variable))        # print(isinstance(b3, tf.Tensor))        if step%100==0:      #每进行100个batch输出一次            print(epoch,step,loss,float(loss))#本次学习也算是继续理解线性回归模型，mnist图像识别的学习，收获还是很不错的，不过还有一些知识希望在之后的学习中进行计算理解。还挺开心的学这个东西，挺有意思的哈哈。

标签：