[人工智能]TensorFlow2.0笔记（北京大学）不断更新

TensorFlow2.0

前言

• TensorFlow
  是一个采用数据流图（Data Flow Graphs），用于高性能数值计算的开源软件库。
• Tensor(张量)
  即多维数组，是TensorFlow中数据表现的形式。Flow：基于数据流图（Data FlowGraphs）的计算。
• Data Flow
  Graph用结点和线的有向图来描述数学计算。节点通常代表数学运算，边表示节点之间的某种联系，它负责传输多维数据(Tensors)。如下图所示：

提示：以下是本篇文章正文内容，下面案例可供参考

一、人工智能三学派

• 行为主义：
  基于控制论，构建感知-动作控制系统。如人的平衡、行走、避障等自适应控制系统
• 符号主义：
  基于算数逻辑表达式，求解问题时先把问题描述为表达式，再求解表达式。可用公式描述、实现理性思维，如专家系统。
• 连接主义：
  仿生学，模仿神经元连接关系。仿脑神经元连接，实现感性席位，如神经网络

二、基于连接主义的神经网络设计过程

1. 准备数据：采集大量“特征/标签”数据
2. 搭建网络：搭建神经网络结构
3. 优化参数：训练网络获取最佳参数
4. 应用网络：将网络保存为模型，输入新数据，输出分类或者预测结果

三、Tensor张量

1、tf.constant()

• 用法：tf.constant(“内容”)

# 第一个tensorflow程序
import tensorflow.compat.v1 as tf
# 要打印一个常量字符串用 tf.constant创建一个张量
c = tf.constant("Hello World")
# 直接打印c，会输出张量的所有信息
print(c)
# 打印张量的类型
print(c.dtype)
# 打印张量的内容
print(c.shape)

3                                       # 这个 0 阶张量就是标量，shape=[]
[1., 2., 3.]                            # 这个 1 阶张量就是向量，shape=[3]
[[1., 2., 3.], [4., 5., 6.]]            # 这个 2 阶张量就是二维数组，shape=[2, 3]
[[[1., 2., 3.]], [[7., 8., 9.]]]        # 这个 3 阶张量就是三维数组，shape=[2, 1, 3]

• dtype Tensor 存储的数据的类型，可以为tf.float32、tf.int32、tf.string…
• shape Tensor 存储的多维数组中每个维度的数组中元素的个数

应用实例：

# 引入 tensorflow 模块
import tensorflow as tf

# 创建一个整型常量，即 0 阶 Tensor
t0 = tf.constant(3, dtype=tf.int32)

# 创建一个浮点数的一维数组，即 1 阶 Tensor
t1 = tf.constant([3., 4.1, 5.2], dtype=tf.float32)

# 创建一个字符串的2x2数组，即 2 阶 Tensor
t2 = tf.constant([['Apple', 'Orange'], ['Potato', 'Tomato']], dtype=tf.string)

# 创建一个 2x3x1 数组，即 3 阶张量，数据类型默认为整型
t3 = tf.constant([[[5], [6], [7]], [[4], [3], [2]]])

很多时候数据是由numpy格式给出的
因此要将numpy的数据类型转换为Tensor数据类型

2、将numpy的数据类型转换为Tensor数据

• 用法：tf.convert_to_tensor(数据名, dtype=数据类型)

应用实例：

import tensorflow as tf
import numpy as np
# 创建一个0-4的数
a = np.arange(0, 5)
# 将numpy的数据类型转换为Tensor数据类型
b = tf.convert_to_tensor(a, dtype=tf.int64)

3、创建张量

import tensorflow as tf
# 维度：
# 一维直接写个数
# 二维用[行, 列]
# 多维用[n,m,j,k...]

# 创建全为0的张量      tf.zeros(维度)
a = tf.zeros([2, 3])
# 创建全为1的张量      tf.ones(维度)
b = tf.ones(4)
# 创建全为指定值的张量    tf.fill(维度, 指定值)
c = tf.fill([2, 2], 9)
print("a:", a)
print("b:", b)
print("c:", c)

4、生成随机数

import tensorflow as tf

# 生成正态分布的随机数，默认均值为0，标准差为1
# tf.random.normal(维度, mean=均值, stddev=标准差)
d = tf.random.normal([2, 2], mean=0.5, stddev=1)
print("d:", d)

# 生成截断式正太分布的随机数
# tf.random.truncated_normal(维度, mean=均值, stddev=标准差)
e = tf.random.truncated_normal([2, 2], mean=0.5, stddev=1)
print("e:", e)

# 生成均匀分布随机数
# tf.random.uniform(维度, minval=最小值, maxval=最大值)
f = tf.random.uniform([2, 2], minval=0, maxval=1)
print("f:", f)

注意区间： [minval=最小值, maxval=最大值) 前开后闭

四、TensorFlow常用函数

1、计算张量维度的最大最小值与强制转换tensor数据类型

# 常用函数
import tensorflow as tf
x1 = tf.constant([1., 2., 3.], dtype=tf.float64)
print("x1:", x1)
# 强制tensor转换为该数据类型
# tf.cast(张量名, 数据类型)
x2 = tf.cast(x1, tf.int32)
print("x2", x2)
# tf.reduce_min(张量名)    计算张量维度上元素的最小值
print("minimum of x2：", tf.reduce_min(x2))
# tf.reduce_max(张量名)    计算张量维度上元素的最大值
print("maxmum of x2:", tf.reduce_max(x2))

2、计算指定维度

import tensorflow as tf
# axis=1代表跨列，沿纬度方向（横）
# axis=0代表跨行，沿经度方向（竖）
x = tf.constant([[1, 2, 3], [2, 2, 3]])
print("x:", x)
# 计算沿指定维度的平均值   tf.reduce_mean(张量名)
# 如果不指定axis，则所有元素参与计算
print("mean of x:", tf.reduce_mean(x))  # 求x中所有数的均值
# 计算沿指定维度的和   tf.reduce_sum(张量名, axis=操作轴)
print("sum of x:", tf.reduce_sum(x, axis=1))  # 求每一行的和

• axis=1代表跨列，沿纬度方向（横）
• axis=0代表跨行，沿经度方向（竖）

3、张量的四则运算

import tensorflow as tf

a = tf.ones([1, 3])
b = tf.fill([1, 3], 3.)
print("a:", a)
print("b:", b)
# 实现两个张量的对应元素相加
print("a+b:", tf.add(a, b))
# 实现两个张量的对应元素相减
print("a-b:", tf.subtract(a, b))
# 实现两个张量的对应元素相乘
print("a*b:", tf.multiply(a, b))
# 实现两个张量的对应元素相除
print("b/a:", tf.divide(b, a))

# 注意只有维度相同的张量才可以做四则运算

4、张量的方运算

a = tf.fill([1, 2], 3.)
print("a:", a)
# 计算某个张量的n次方
print("a的平方:", tf.pow(a, 3))
# 计算某个张量的平方
print("a的平方:", tf.square(a))
# 计算某个张量的开方
print("a的开方:", tf.sqrt(a))

5、张量的矩阵运算

import tensorflow as tf

a = tf.ones([3, 2])
b = tf.fill([2, 3], 3.)
print("a:", a)
print("b:", b)
# 实现两个矩阵的相乘
print("a*b:", tf.matmul(a, b))

6、切分传入张量的第一维度，生成输入特征/标签对，构建数据集

import tensorflow as tf

features = tf.constant([12, 23, 10, 17])
labels = tf.constant([0, 1, 1, 0])
# 切分传入张量的第一维度，生成输入特征/标签对，构建数据集
# dataset = tf.data.Dataset.from_tensor_slices((输入特征, 标签))
dataset = tf.data.Dataset.from_tensor_slices((features, labels))
for element in dataset:
    print(element)

# Numpy和Tensor格式都可以使用该语句读入数据

7、python中遍历每个元素

seq = ['one', 'two', 'three']
#  enumerate是python内建函数，可以遍历每个元素
# 组合为：索引 元素，常在for循环使用
# element(列表名)
for i, element in enumerate(seq):
    print(i, element)

8、tf.one_hot独热编码（常用独热编码做标签）

import tensorflow as tf
# tf.one_hot独热编码
# 在分类问题中，常用独热编码做标签，标记类别：1表示是，0表示非
# tf.one_hot()函数将待转换数据，转换为one-hot形式的数据输出
# tf.one_hot(待转换数据, depth=分几类)
classes = 3
labels = tf.constant([1, 0, 2])  # 输入的元素值最小为0，最大为2
output = tf.one_hot(labels, depth=classes)
print("result of labels1:", output)
print("\n")

9、使输出符合概率的分布

import tensorflow as tf
# 当n分类的n个输出，(y0,y1,...yn-1)通过softmax()函数，便符合概率分布了
# tf.nn.softmax() 使输出符合概率的分布
y = tf.constant([1.01, 2.01, -0.66])
y_pro = tf.nn.softmax(y)

print("After softmax, y_pro is:", y_pro)  # y_pro 符合概率分布

print("The sum of y_pro:", tf.reduce_sum(y_pro))  # 通过softmax后，所有概率加起来和为1

10、赋值操作，更新参数的值并返回

import tensorflow as tf
# 赋值操作，更新参数的值并返回
# 调用assign_sub前，先用tf.Variable定义变量为可训练
# assign_sub(要自减的内容)
x = tf.Variable(4)
x.assign_sub(1)
print("x:", x)  # 4-1=3

11、返回张量沿指定维度最大值的索引

import numpy as np
import tensorflow as tf
# 返回张量沿指定维度最大值的索引
# tf.argmax(张量名, axis=操作轴)
test = np.array([[1, 2, 3], [2, 3, 4], [5, 4, 3], [8, 7, 2]])
print("test:\n", test)
print("每一列的最大值的索引：", tf.argmax(test, axis=0))  # 返回每一列最大值的索引
print("每一行的最大值的索引", tf.argmax(test, axis=1))  # 返回每一行最大值的索引

四、鸢尾花的分类

神经网络实现鸢尾花的分类流程：

1. 准备数据

数据集读入
数据集乱序
生成训练集和测试集
配成（输入特征，标签）对，每次读入batch

2. 搭建网络

定义神经网络中所有可训练参数

3. 参数优化

嵌套循环迭代，with结构更新参数，显示当前loss

4. 测试效果计算当前参数前后

计算当前参数前向传播后的准确率，显示当前acc

5. acc/loss可视化

1.从sklearn包datasets读入数据集

from sklearn import datasets
from pandas import DataFrame
import pandas as pd

x_data = datasets.load_iris().data  # .data返回iris数据集所有输入特征
y_data = datasets.load_iris().target  # .target返回iris数据集所有标签
print("x_data from datasets: \n", x_data)
print("y_data from datasets: \n", y_data)

x_data = DataFrame(x_data, columns=['花萼长度', '花萼宽度', '花瓣长度', '花瓣宽度']) # 为表格增加行索引（左侧）和列标签（上方）
pd.set_option('display.unicode.east_asian_width', True)  # 设置列名对齐
print("x_data add index: \n", x_data)

x_data['类别'] = y_data  # 新加一列，列标签为‘类别’，数据为y_data
print("x_data add a column: \n", x_data)

#类型维度不确定时，建议用print函数打印出来确认效果

显示效果:

2.神经网络实现鸢尾花的分类

# -*- coding: UTF-8 -*-
# 利用鸢尾花数据集，实现前向传播、反向传播，可视化loss曲线

# 导入所需模块
import tensorflow as tf
from sklearn import datasets
from matplotlib import pyplot as plt
import numpy as np

# 导入数据，分别为输入特征和标签
x_data = datasets.load_iris().data
y_data = datasets.load_iris().target

# 随机打乱数据（因为原始数据是顺序的，顺序不打乱会影响准确率）
# seed: 随机数种子，是一个整数，当设置之后，每次生成的随机数都一样（为方便教学，以保每位同学结果一致）
np.random.seed(116)  # 使用相同的seed，保证输入特征和标签一一对应
np.random.shuffle(x_data)
np.random.seed(116)
np.random.shuffle(y_data)
tf.random.set_seed(116)

# 将打乱后的数据集分割为训练集和测试集，训练集为前120行，测试集为后30行
x_train = x_data[:-30]
y_train = y_data[:-30]
x_test = x_data[-30:]
y_test = y_data[-30:]

# 转换x的数据类型，否则后面矩阵相乘时会因数据类型不一致报错
x_train = tf.cast(x_train, tf.float32)
x_test = tf.cast(x_test, tf.float32)

# from_tensor_slices函数使输入特征和标签值一一对应。（把数据集分批次，每个批次batch组数据）
train_db = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32)
test_db = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)

# 生成神经网络的参数，4个输入特征故，输入层为4个输入节点；因为3分类，故输出层为3个神经元
# 用tf.Variable()标记参数可训练
# 使用seed使每次生成的随机数相同（方便教学，使大家结果都一致，在现实使用时不写seed）
w1 = tf.Variable(tf.random.truncated_normal([4, 3], stddev=0.1, seed=1))
b1 = tf.Variable(tf.random.truncated_normal([3], stddev=0.1, seed=1))

lr = 0.1  # 学习率为0.1
train_loss_results = []  # 将每轮的loss记录在此列表中，为后续画loss曲线提供数据
test_acc = []  # 将每轮的acc记录在此列表中，为后续画acc曲线提供数据
epoch = 500  # 循环500轮
loss_all = 0  # 每轮分4个step，loss_all记录四个step生成的4个loss的和

# 训练部分
for epoch in range(epoch):  #数据集级别的循环，每个epoch循环一次数据集
    for step, (x_train, y_train) in enumerate(train_db):  #batch级别的循环 ，每个step循环一个batch
        with tf.GradientTape() as tape:  # with结构记录梯度信息
            y = tf.matmul(x_train, w1) + b1  # 神经网络乘加运算
            y = tf.nn.softmax(y)  # 使输出y符合概率分布（此操作后与独热码同量级，可相减求loss）
            y_ = tf.one_hot(y_train, depth=3)  # 将标签值转换为独热码格式，方便计算loss和accuracy
            loss = tf.reduce_mean(tf.square(y_ - y))  # 采用均方误差损失函数mse = mean(sum(y-out)^2)
            loss_all += loss.numpy()  # 将每个step计算出的loss累加，为后续求loss平均值提供数据，这样计算的loss更准确
        # 计算loss对各个参数的梯度
        grads = tape.gradient(loss, [w1, b1])

        # 实现梯度更新 w1 = w1 - lr * w1_grad    b = b - lr * b_grad
        w1.assign_sub(lr * grads[0])  # 参数w1自更新
        b1.assign_sub(lr * grads[1])  # 参数b自更新

    # 每个epoch，打印loss信息
    print("Epoch {}, loss: {}".format(epoch, loss_all/4))
    train_loss_results.append(loss_all / 4)  # 将4个step的loss求平均记录在此变量中
    loss_all = 0  # loss_all归零，为记录下一个epoch的loss做准备

    # 测试部分
    # total_correct为预测对的样本个数, total_number为测试的总样本数，将这两个变量都初始化为0
    total_correct, total_number = 0, 0
    for x_test, y_test in test_db:
        # 使用更新后的参数进行预测
        y = tf.matmul(x_test, w1) + b1
        y = tf.nn.softmax(y)
        pred = tf.argmax(y, axis=1)  # 返回y中最大值的索引，即预测的分类
        # 将pred转换为y_test的数据类型
        pred = tf.cast(pred, dtype=y_test.dtype)
        # 若分类正确，则correct=1，否则为0，将bool型的结果转换为int型
        correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)
        # 将每个batch的correct数加起来
        correct = tf.reduce_sum(correct)
        # 将所有batch中的correct数加起来
        total_correct += int(correct)
        # total_number为测试的总样本数，也就是x_test的行数，shape[0]返回变量的行数
        total_number += x_test.shape[0]
    # 总的准确率等于total_correct/total_number
    acc = total_correct / total_number
    test_acc.append(acc)
    print("Test_acc:", acc)
    print("--------------------------")

# 绘制 loss 曲线
plt.title('Loss Function Curve')  # 图片标题
plt.xlabel('Epoch')  # x轴变量名称
plt.ylabel('Loss')  # y轴变量名称
plt.plot(train_loss_results, label="$Loss$")  # 逐点画出trian_loss_results值并连线，连线图标是Loss
plt.legend()  # 画出曲线图标
plt.show()  # 画出图像

# 绘制 Accuracy 曲线
plt.title('Acc Curve')  # 图片标题
plt.xlabel('Epoch')  # x轴变量名称
plt.ylabel('Acc')  # y轴变量名称
plt.plot(test_acc, label="$Accuracy$")  # 逐点画出test_acc值并连线，连线图标是Accuracy
plt.legend()
plt.show()

五、预备知识

1、tf.where(条件语句, 真返回A, 假返回B)

import tensorflow as tf
# tf.where()
# 条件语句真返回A，假返回B
# tf.where(条件语句, 真返回A, 假返回B)
a = tf.constant([1, 2, 3, 1, 1])
b = tf.constant([0, 1, 3, 4, 5])
# tf.greater(a, b)判断a>b？
c = tf.where(tf.greater(a, b), a, b)  # 若a>b，返回a对应位置的元素，否则返回b对应位置的元素
print("c：", c)

• 运行结果
  

2、np.random.RandomState.rand(维度)

import numpy as np
# np.random.RandomState.rand(维度)  维度为空，返回标量
# 返回一个[0,1]之间的随机数
rdm = np.random.RandomState(seed=1)  # seed=常数每次生成随机数相同
a = rdm.rand()   # 返回一个随机标量
b = rdm.rand(2, 3)  # 返回维度为2行3列随机数矩阵
print("a:", a)
print("b:", b)

• 运行结果
  

3、np.vstack((数组1, 数组2))将两个数据按垂直方向叠加

import numpy as np
# 将两个数据按垂直方向叠加
# np.vstack((数组1, 数组2))
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = np.vstack((a, b))
print("c:\n", c)

• 运行结果
  

4、np.mgrid[ ]、 x.ravel()、np.c_[ ]

• np.mgrid[起始值:结束值:步长,起始值:结束值:步长,…]
• x.ravel()将x变为一维数组，“把.前变量拉直”
• np.c_[数值1,数值2]使返回的间隔数值点配对

import numpy as np
import tensorflow as tf
# np.mgrid[起始值:结束值:步长,起始值:结束值:步长,....]
# 生成等间隔数值点
x, y = np.mgrid[1:3:1, 2:4:0.5]
# x.ravel()将x变为一维数组，“把.前变量拉直”
# 将x, y拉直，并合并配对为二维张量，生成二维坐标点
# np.c_[数值1,数值2]使返回的间隔数值点配对
grid = np.c_[x.ravel(), y.ravel()]
print("x:\n", x)
print("y:\n", y)
print("x.ravel():\n", x.ravel())
print("y.ravel():\n", y.ravel())
print('grid:\n', grid)

• 运行结果
  

六、复杂度学习率

1、学习率公式：

2、 如何寻找最优学习率？

• 指数衰减学习率：
• 可以先用较大的学习率，快速得到较优解，然后逐步减少学习率，使模型在训练后期稳定
  

import tensorflow as tf

w = tf.Variable(tf.constant(5, dtype=tf.float32))

epoch = 40
LR_BASE = 0.2  # 最初学习率
LR_DECAY = 0.99  # 学习率衰减率
LR_STEP = 1  # 喂入多少轮BATCH_SIZE后，更新一次学习率

for epoch in range(epoch):  # for epoch 定义顶层循环，表示对数据集循环epoch次，此例数据集数据仅有1个w,初始化时候constant赋值为5，循环100次迭代。
    lr = LR_BASE * LR_DECAY ** (epoch / LR_STEP)
    with tf.GradientTape() as tape:  # with结构到grads框起了梯度的计算过程。
        loss = tf.square(w + 1)
    grads = tape.gradient(loss, w)  # .gradient函数告知谁对谁求导

    w.assign_sub(lr * grads)  # .assign_sub 对变量做自减 即：w -= lr*grads 即 w = w - lr*grads
    print("After %s epoch,w is %f,loss is %f,lr is %f" % (epoch, w.numpy(), loss, lr))

七、激活函数

1、Sigmoid函数

• 特点：
  

2、Tanh函数

• 特点：
  

3、Relu函数

• 优点：

• 缺点：

4、Leaky Relu函数

5、softmax函数

• 特点：对神经网络全连接层输出进行变换，使其服从概率分布，即每个值都位于[0,1]区间且和为1。

6、选择函数建议

八、损失函数

1、均方误差损失函数

实例：

• 预测酸奶日销量y，x1、x2是影响日销量的因素。
• 建模前，应预先采集的数据有：每日x1、x2和销量y_（即已知答案，最佳情况：产量=销量）
• 拟造数据集X,Y_： y_ = x1 + x2 噪声：-0.05 ~ +0.05 拟合可以预测销量的函数

import tensorflow as tf
import numpy as np

# 随机种子，保证随机生成的一样
SEED = 23455

rdm = np.random.RandomState(seed=SEED)  # 生成[0,1)之间的随机数
# 生成32行2列的输入特征x包含32组x1,x2（0-1之间随机数）
x = rdm.rand(32, 2)
# (rdm.rand() / 10.0 - 0.05)作为随机噪声加入（-0.05~+0.05）
y_ = [[x1 + x2 + (rdm.rand() / 10.0 - 0.05)] for (x1, x2) in x]  # 生成噪声[0,1)/10=[0,0.1); [0,0.1)-0.05=[-0.05,0.05)
# 强制转换数据类型
x = tf.cast(x, dtype=tf.float32)

# 随机初始化参数w1，两行一列
w1 = tf.Variable(tf.random.normal([2, 1], stddev=1, seed=1))

epoch = 15000
lr = 0.002

for epoch in range(epoch):
    with tf.GradientTape() as tape:
        # 求前向传播y
        y = tf.matmul(x, w1)
        # 求均方误差损失函数
        loss_mse = tf.reduce_mean(tf.square(y_ - y))
    # 随时函数对参数w1求偏导
    grads = tape.gradient(loss_mse, w1)
    # 更新参数w1
    w1.assign_sub(lr * grads)

    if epoch % 500 == 0:
        print("After %d training steps,w1 is " % (epoch))
        print(w1.numpy(), "\n")
print("Final w1 is: ", w1.numpy())

运行结果：

都趋近于1，拟合出的销量Y=1.00x1+1.00x2 与制造数据集Y=1.0x1+1.0x2一致

2、自定义损失函数

如：预测酸奶销量，酸奶成本（COST）1元，酸奶利润（PROFIT）99元。 预测少了损失利润99元，大于预测多了损失成本1元。
预测少了损失大，希望生成的预测函数往多了预测。

import tensorflow as tf
import numpy as np

SEED = 23455
COST = 1
PROFIT = 99

rdm = np.random.RandomState(SEED)
x = rdm.rand(32, 2)
y_ = [[x1 + x2 + (rdm.rand() / 10.0 - 0.05)] for (x1, x2) in x]  # 生成噪声[0,1)/10=[0,0.1); [0,0.1)-0.05=[-0.05,0.05)
x = tf.cast(x, dtype=tf.float32)

w1 = tf.Variable(tf.random.normal([2, 1], stddev=1, seed=1))

epoch = 10000
lr = 0.002

for epoch in range(epoch):
    with tf.GradientTape() as tape:
        y = tf.matmul(x, w1)
        # tf.where(tf.greater(y, y_) 判断y>y_?
        # 若y<y_;预测的 y 少了，损失利润(PROFIT)
        # 若y>=y_;预测的 y 多了，损失成本(COST)
        loss = tf.reduce_sum(tf.where(tf.greater(y, y_), (y - y_) * COST, (y_ - y) * PROFIT))

    grads = tape.gradient(loss, w1)
    w1.assign_sub(lr * grads)

    if epoch % 500 == 0:
        print("After %d training steps,w1 is " % (epoch))
        print(w1.numpy(), "\n")
print("Final w1 is: ", w1.numpy())

# 自定义损失函数
# 酸奶成本1元， 酸奶利润99元
# 成本很低，利润很高，人们希望多预测些，生成模型系数大于1，往多了预测

3、交叉熵损失函数

import tensorflow as tf

loss_ce1 = tf.losses.categorical_crossentropy([1, 0], [0.6, 0.4])
loss_ce2 = tf.losses.categorical_crossentropy([1, 0], [0.8, 0.2])
print("loss_ce1:", loss_ce1)
print("loss_ce2:", loss_ce2)

# 交叉熵损失函数

# softmax与交叉熵损失函数的结合
import tensorflow as tf
import numpy as np

y_ = np.array([[1, 0, 0], [0, 1, 0], [0, 0, 1], [1, 0, 0], [0, 1, 0]])
y = np.array([[12, 3, 2], [3, 10, 1], [1, 2, 5], [4, 6.5, 1.2], [3, 6, 1]])
y_pro = tf.nn.softmax(y)
loss_ce1 = tf.losses.categorical_crossentropy(y_,y_pro)
loss_ce2 = tf.nn.softmax_cross_entropy_with_logits(y_, y)

print('分步计算的结果:\n', loss_ce1)
print('结合计算的结果:\n', loss_ce2)


# 输出的结果相同

总结

本文章不断更新中，欢迎与大家一起学习