昨天学习了一些tensorflow入门知识,经历各种奇葩错误,现在奉献一份安装tensorflow2就可以跑的demo

本程序使用minist图像集合作为数据源,使用tensorflow内部的数据加载方式(如果没有数据集,会自动从网上下载).神经网络内层有三层,依靠纯手工搭建网络模式,比较贴近数学模型

#encoding: utf-8
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"] = "2"    # 关闭低级的调试信息

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import datasets

lr = 0.001
(x,y), _ = datasets.mnist.load_data()

# x 归一化
x = tf.convert_to_tensor(x,dtype=tf.float32)/255.
y = 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))

# 将源数据分割，一次处理128条数据。分60000/128此处理结束，返回一个迭代器
train_db = tf.data.Dataset.from_tensor_slices((x,y)).batch(128)
train_iter = iter(train_db)
sample = next(train_iter)
print("batch:",sample[0].shape,sample[1].shape)

#生成参数矩阵     注意tf.Variable 大小写
w1 = tf.Variable(tf.random.truncated_normal([784,256],stddev=0.1))
b1 = 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]))

for epoch in range(30): #迭代一次即完成60k循环
    for step,(x,y) in enumerate(train_db):  #迭代一次即完成一次128次训练
        #  x =>128,28,28 需要转换为128,28*28
        x = tf.reshape(x,[-1,28*28])
　　　　　#　　注意加()
        with tf.GradientTape() as tape:
            h1 = x@w1 + b1
            h1 = tf.nn.relu(h1)
            h2 = h1@w2 + b2
            h2 = tf.nn.relu(h2)
            out = h2@w3 + b3

            # 要对y进行one_hot编码,好处之一,使得不同结果之前的距离可以保持一致
            y_one_hot = tf.one_hot(y,depth=10)
            loss = tf.square(y_one_hot-out)
            loss = tf.reduce_mean(loss)

        grads = tape.gradient(loss,[w1,b1,w2,b2,w3,b3])
        #   w1 = w1 - lr*grads[0],这个更新方式会更改原来的值,不再是tf.Variable
        #   此处采用原地更新的方式,如下 (注意函数名字不要写错)
        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])

        if step%100 == 0:
            print(epoch,step,"loss:",float(loss))