[人工智能]代码学习笔记（一）

代码学习笔记（一）

卷积模块

tf.keras.layers.Conv2D

用于描述卷积层，卷积层的作用是提取一个局部区域的特征，不同的卷积核相当于不同的特征提取器。

outputs = tf.keras.layers.Conv2D(filters=filters,
                                         kernel_size=(1, 3),
                                         strides=(1, 1),
                                         padding="same",
                                         activation=None)(inputs)

tf.keras.layers.LeakyReLU

激活函数：在人工神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端。
引入激活函数是为了增加神经网络模型的非线性。
如果不用激活函数，每一层输出都是上层输入的线性函数，无论神经网络有多少层，输出都是输入的线性组合，这种情况就是最原始的感知机（Perceptron）。
如果使用的话，激活函数给神经元引入了非线性因素，使得神经网络可以任意逼近任何非线性函数，这样神经网络就可以应用到众多的非线性模型中。

outputs = tf.keras.layers.LeakyReLU()(outputs)

一些复杂的激活函数如：Leaky ReLU、PReLU是不可以这样直接使用的，必须使用add方法将高级激活函数作为层（layer）来使用.
这里我们在卷积层中去掉激活函数的参数，并在卷积层后加入高级激活层

注意力机制

作为一种资源分配方案，将有限的计算资源用来处理更重要的信息，是解决信息超载的重要手段。

inputs.shape.as_list()

用于tensor来返回shape，但是是一个元组，需要通过as_list()的操作转换成list.

tf.keras.layers.AveragePooling2D

平均池化（average pooling）：计算图像区域的平均值作为该区域池化后的值。

属性：input
检索图层的输入张量.

只适用于图层只有一个输入,即如果它连接到一个输入层.

返回：

输入张量或输入张量列表.

可能引发的异常：

AttributeError：如果图层连接到多个输入图层.
RuntimeError：如果在Eager模式下调用.
AttributeError：如果找不到入站节点.

tf.transpose

 outputs = tf.transpose(outputs, [0, 1, 3, 2])

置换 outputs,根据 [0,1,3,2] 重新排列尺寸.

tf.keras.layers.Multiply

该层接收一个列表的同shape张量，并返回它们的逐元素积的张量，shape不变。

特征提取层

tf.keras.layers.MaxPooling2D

最大池化（max pooling）:选图像区域的最大值作为该区域池化后的值。
池化层：池化层是模仿人的视觉系统对数据进行降维，用更高层次的特征表示图像。 实施池化的目的： (1) 降低信息冗余； (2) 提升模型的尺度不变性、旋转不变性； (3) 防止过拟合。
无论max pooling还是mean pooling，都没有需要学习的参数。因此，在卷积神经网络的训练中，Pooling层需要做的仅仅是将误差项传递到上一层，而没有梯度的计算。

特征提取

tf.keras.layers.Flatten

用于将输入层的数据压成一维的数据，一般用在卷积层和全连接层之间（因为全连接层只能接收一维数据，而卷积层可以处理二维数据，就是全连接层处理的是向量，而卷积层处理的是矩阵）

对信号做快速傅里叶变换

FFT的基本思想是把原始的N点序列，依次分解成一系列的短序列。充分利用DFT计算式中指数因子 所具有的对称性质和周期性质，进而求出这些短序列相应的DFT并进行适当组合，达到删除重复计算，减少乘法运算和简化结构的目的。

tf.reshape

函数的作用是将tensor变换为参数shape形式，其中的shape为一个列表形式，特殊的是列表可以实现逆序的遍历，即list(-1).-1所代表的含义是我们不用亲自去指定这一维的大小，函数会自动进行计算，但是列表中只能存在一个-1。（如果存在多个-1，就是一个存在多解的方程）

tf.pad

 tf.pad( tensor,paddings, mode='CONSTANT',name=None)

填充函数
tensor是要填充的张量
padings ，代表每一维填充多少行/列，它的维度一定要和tensor的维度是一样的，这里的维度不是传统上数学维度，如[[2,3,4],[4,5,6]]是一个3乘4的矩阵，但它依然是二维的，所以pad只能是[[1,2],[1,2]]这种。

tf.abs

计算张量的绝对值.

tf.signal.fft

tf.signal.rfft(
    input_tensor, fft_length=None, name=None
)

tf.cast

tf.cast()函数的作用是执行 tensorflow 中张量数据类型转换，比如读入的图片如果是int8类型的，一般在要在训练前把图像的数据格式转换为float32。

cast(x, dtype, name=None)

全连接层

全连接层在整个网络卷积神经网络中起到“特征提取器”的作用。如果说卷积层、池化层和激活函数等操作是将原始数据映射到隐层特征空间的话，全连接层则起到将学到的特征表示映射到样本的标记空间的作用。

tf.keras.layers.Dense

tf.keras.layers.Dense( units, # 正整数，输出空间的维数
 activation=None, # 激活函数，不指定则没有)

tf.keras.layers.Dropout

tf.keras.layers.Dropout(rate)

作用：将Dropout应用于输入
Dropout层在训练期间的每一步中将输入单位随机设置为0，频率为速率，这有助于防止过拟合。
未设置为0的输入将按1 /（1-rate）放大，以使所有输入的总和不变。
请注意，仅当训练设置为True时才应用Dropout层，以便在推理过程中不会丢弃任何值。
使用model.fit时，训练将自动适当地设置为True，在其他情况下，可以在调用图层时将kwarg显式设置为True。
（这与为Dropout图层设置trainable = False形成对比。trainable不会影响该图层的行为，
因为Dropout没有任何可以在训练期间冻结的变量/权重。）

网络结构

tf.keras.layers.Concatenate

作用是：它接受一个张量列表作为输入，除了连接轴外，所有的张量形状都相同，返回一个张量，它是所有输入的连接。

损失函数

tf.keras.losses.CategoricalCrossentropy

计算标签和预测之间的交叉熵损失。

度量函数

tf.keras.metrics.CategoricalAccuracy

用于度量测试集的准确率。
（无论是训练还是评估，loss是都会保存在history中的，也即可以当做loss是默认的评估指标；但是我们还可以指定另外的评估指标，一般情况下都是使用训练和测试精度accuracy这个指标，也即在history中保留住每个epoch的训练精度；当然也可以使用交叉熵crossentropy这个指标，每个epoch都计算一下此次循环里的output和label的平均交叉熵。）

训练过程

tf.GradientTape

tf.GradientTape () 是一个自动求导的记录器。 只要进入了 with tf.GradientTape () as tape 的上下文环境，则在该环境中计算步骤都会被自动记录。

model.trainable_variables

查看管理变量的函数

tape.gradient

GradientTape是eager模式下计算梯度用的，而eager模式（eager模式的具体介绍请参考文末链接）是TensorFlow 2.0的默认模式。 通过GradientTape可以对损失的计算过程、计算方式进行深度定制，即所谓的Custom training, 而不仅仅是通过model.train这样过于高级（傻白甜）的API的方式进行训练。这在很多场合下是非常有用的。

apply_gradients

该函数的作用是将compute_gradients()返回的值作为输入参数对variable进行更新。

tf.keras.optimizers.Adam

其大概的思想是开始的学习率设置为一个较大的值，然后根据次数的增多，动态的减小学习率，以实现效率和效果的兼得。