今天早上3点就醒了，在床上读了一会原著，忍不住又看了一遍chap6的视频，后来到自习室继续看，对RNN\LSTM\GRU有了更深入的理解。吃完饭以后想着把BP再看下，毕竟这很基础。今天有时间再去回看下梯度下降。这些概念以前都看过，也挣扎过，所以知道大家学习时的痛苦。总觉得网上很少有教程能给出overview && vivid的解释，so i am trying to figure it out!
说来有趣，现在再来看这些概念，感觉比以前多理解了不少，有意思！！！
最近也进入了疯狂吸收cs知识的时候，求知欲爆棚！！！都没什么时间学英语了，不过要抓紧机会早成正反馈局面！！！
好了，现在08：16-------开始敲chap3的八股代码了！！！
------------------------------续D2
chap3实践
（一)问题
1、compile中的meric是仅仅打印出来，还是会根据这个选w参数？？？
就仅仅打印出来，供人参考，不参与优化；优化还是根据loss
参考文献：
https://blog.csdn.net/chenhepg/article/details/115721826
这篇里面还写了常用的参数；当然官网也有
2.model.fit的validation_freq参数
这个是说，过多少个epoch，用testdata验证一下。
3.super().init()用法
“我理解是，当需要继承父类构造函数中的内容，且子类需要在父类的基础上补充时，使用super().init()方法。
”
我的理解就是，先继承别人的，然后再进行补充，就要用这个super()
参考链接：
https://www.cnblogs.com/hancece/p/11177852.html
4.Model类中call函数的参数
原来第二个参数是input呀，怪不得。
（二）自己完成fashion数据集的任务
1、先看看数据集的样子
好开心呀，第一次自己独立写模型，虽然很简单，但是还是很开心！！！
代码如下：
import tensorflow as tf
from tensorflow.keras import Model
from tensorflow.keras.layers import Flatten,Dense
import matplotlib.pyplot as plt
fashion = tf.keras.datasets.fashion_mnist
(x_train, y_train), (x_test, y_test) = fashion.load_data()
x_train,x_test = x_train/255.0,x_test/255.0
class FashionModel(Model):
def init(self):
super(FashionModel, self).init()
self.f1 = Flatten()
self.d1 = Dense(128, activation=‘relu’)
self.d2 = Dense(10, activation=‘softmax’)
def call(self, x):
x = self.f1(x)
x = self.d1(x)
y = self.d2(x)
return y
model = FashionModel()
model.compile(optimizer=‘adam’,
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
metrics=[‘sparse_categorical_accuracy’])
model.fit(x_train,y_train,batch_size=32,epochs=5,validation_data=(x_test,y_test),validation_freq=1)
model.summary()
训练效果：
后期会学画acc图的！！！！！
chap4很重要的其他附加功能
1、自制数据集，解决本领域应用（解决如何将本领域数据规则化导入）
（1）img.convert(‘L’)
PIL有九种不同模式: 1，L，P，RGB，RGBA，CMYK，YCbCr，I，F。
相当于转换为灰度图像，每个像素点用8个bit表示，表示0-255的灰度。
如果参数是1，也是用8位表示，不过是非黑即白，见参考链接。
img.convert(‘1’)
参考链接：https://www.cnblogs.com/haifwu/p/12825741.html
（2）reshape中-1的含义
https://blog.csdn.net/weixin_39449570/article/details/78619196
这么操作估计是因为np.save只能存1维和2维。所以需要转换吧。这样上面reshape的问题也解决了
https://blog.csdn.net/u010089444/article/details/52738479
(3)这里整体思路很有意思，值得学习
A、如果之前没保存数据，就生成数据并保存；如果保存了，就直接加载进来【毕竟生成一次还挺麻烦的】
B、生成train和test的思路相同，所以写个函数来实现：
读取txt的每一行，【0】为图片名称，求图片路径，加载图片，并进行处理；【1】为标签；分别一一对应保存进入x和y_。最后把列表变为np类型返回 x = np.array(x)# turn into numpy
不过不知道为什么要把y_变成64位整型？？/
C、PIL的Image可以用来加载、处理图片
具体代码：
import numpy as np
import tensorflow as tf
from PIL import Image
import os
# mnist = tf.keras.datasets.mnist
# (x_train, y_train), (x_test, y_test) = mnist.load_data()
# x_train, x_test = x_train / 255.0, x_test / 255.0
# 自己写入数据集
train_path = './mnist_image_label/mnist_train_jpg_60000/'
train_txt = './mnist_image_label/mnist_train_jpg_60000.txt'
x_train_savepath = './mnist_image_label/mnist_x_train.npy'
y_train_savepath = './mnist_image_label/mnist_y_train.npy'
test_path = './mnist_image_label/mnist_test_jpg_10000/'
test_txt = './mnist_image_label/mnist_test_jpg_10000.txt'
x_test_savepath = './mnist_image_label/mnist_x_test.npy'
y_test_savepath = './mnist_image_label/mnist_y_test.npy'
# 图片路径,标签文件
def generateds(path, txt):
f = open(txt, 'r')
contents = f.readlines()
f.close()
x,y_ =[],[]
for content in contents:
value = content.split()
img_path = path+value[0]
img = Image.open(img_path)
# 图片变为8位宽灰度值的np.array格式
img = np.array(img.convert('L'))
img/=255.
x.append(img)
y_.append(value[1])
print('loading:'+content)
x = np.array(x)# turn into numpy
y_ = np.array(y_)
y_ = y_.astype(np.int64)#变为64位整型
return x,y_
if os.path.exists(x_train_savepath) and os.path.exists(y_train_savepath)\
and os.path.exists(x_test_savepath) and os.path.exists(y_test_savepath):
print('----------------Load Datasets--------------')
x_train_save = np.load(x_train_savepath)
y_train = np.load(y_train_savepath)
x_test_save = np.load(x_test_savepath)
y_test = np.load(y_test_savepath)
# 在np.save的时候只能存1维或2维,所以需要转换.本身是28*28的数据,恢复回来~
x_train = np.reshape(x_train_save, (len(x_train_save),28,28))
x_test = np.reshape(x_test_save, (len(x_test_save),28,28))
else:
print('-------------Generate Datasets-----------------')
x_train, y_train = generateds(train_path, train_txt)
x_test, y_test = generateds(test_path, test_txt)
print('-------------Save Datasets-----------------')
x_train_save = np.reshape(x_train,(len(x_train),-1))
x_test_save = np.reshape(x_test,(len(x_test),-1))
np.save(x_train_savepath, x_train_save)
np.save(y_train_savepath, y_train)
np.save(x_test_savepath, x_test_save)
np.save(y_test_savepath, y_test)
2、数据增强，扩充数据集（这里以image为例，有接口，注意它在六步八股文中的位置——在第二步，数据处理的部分）
（1）在做数据增强后，model.fit中的内容也要改变。
（2）数据增强本身
不知道为啥要给数据增加一个维度？？？
3、断点续训，存取模型（这个很重要啊！！！注意位置，在fit训练部分）
(1)取模型就用model.load_weights(path)
(2)存模型有两步
A定义回调函数
B在model.fit中设置，并取得返回值history
4、参数提取，存入文本（上面已经可以存模型，存参数了，但是参数具体时多少呢？也挺重要的）
（1）用model.trainable_variables返回参数
（2）设置np.set_printoptions(threshold=np.inf)保证能够被全部打印出来，不被省略
5、acc/losss可视化，查看训练效果（不会有人不会可视化叭？？？？）
咱就是说，没瞎想到刚才因为保存模型参数用到的回调函数的返回值history，居然这么nb。可以调出来这么多东西——相当于整个在训练过程中的这写我写的metrics里的评价指标和loss都有了。好家伙，直接plt就可以了。
好家了个活，连plt画子图都出来了。
好家伙在，我这个结果也是吓死我了
6、应用程序，给图识别（讲的其实是如何在别人的work上迁移模型直接进行预测，真好真贴心）
（1）复现模型（好进行前向传播）
（2）加载参数
（3）预测
嗯，我就自创一个把，根据之前保存的模型，对当前路径的几张图片进行预测
（1）img.resize参数
这个resize是改变图片大小，后面的参数是选择图片质量
参考：https://blog.csdn.net/xjp_xujiping/article/details/81607964
需要注意的是
（1）定义模型路径
（2）复现模型
（3）加载模型
（4）加载待预测数据并进行预处理，使其更符合训练时的情景。
（5）预测
带预测数据咋这样？？？tf.newaxis,…
这个就是相当于待预测数据不是没有batch那一维度嘛，生生加一个维度。
结果如上，可见tf.newaxis的主要用途是增加一个维度，位置不同，增加的维度是第几维也相对不一样，可以解决用训练好的神经网络模型进行预测时的维度不匹配问题。
参考链接：https://blog.csdn.net/qq_40183315/article/details/107808112
突然想到一件事，之前在想为什么这种框架里没有设置3种data集？现在看到这个validation和train突然想到！！！！！！！！！整个就叫做一个train，其实分为小弟的train和validation，这是我不断看数据去跳整的部分。为了分离test，甚至都不让test进入，真隔离了。
** plt.pause(1)这又是啥玩意**
就是暂停一会，再继续画。像参考文献这样，加入for循环，保持图像位置不变，调整别的东西以后，就有点像动画？？？
参考文献：https://vimsky.com/examples/usage/matplotlib-pyplot-pause-in-python.html
** plt.set_cmap(‘gray’)有啥用
**
就是显示灰度图的意思
为啥我把这个处理注释掉，结果这么差呢？？
这个是只有黑色和白色的高对比度图片,拒绝背景噪声,阈值可选择
哦哦哦，又去听了下课。原来训练的时候时黑底白字，现在时白底黑字。要转换一下
黑白反转，效果也一般
然后老师这里用的时高对比度，就上面那个图。
---------0844敲完了p8sequential定义结构
-----0900敲完了p11calss定义结构，去接杯水，休息一下
------0906回来继续写啦
----0913完成p13导入并可视化mnist数据集
—0920完成了P14定义了更复杂的模型；并且验证数据集是单独导入的；对灰度数据进行了处理
-----0929完成了p15，虽然只是换成了用class定义模型结构，但是为了巩固代码，我还是都默写了一遍。
----------------0950完成fashion作业，因为class比sequential更加灵活，所以在task中就只练习了这一个定义模型的方法，去接杯水，休息一下~回来看chap4了！！！！！！！我先git一下
git add --all – ‘:!d.txt’
哎，class4中的txt太大了，传不上去，只好学习如何git add忽略文件
---------1002去接个水，回来继续
-------11：00完成chap4自制数据集的功能~
去干饭！！！！！！！！！
commit了一下，这次只commit了我自己写的文件，那个大数据集没交。。。
--------13:25中午去洗了澡，帮同学correct英文摘要，弄自己的电子签名，现在继续写啦~
-----------1514终于完成了chap4，要去休息一下了！！！！！！！
—去做了核酸检测、看了一会CATTI的书武峰12天D1，然后趴了一会，听了一个大数据分享，我感觉很有意思，正好想学Transformer,可以做做！
今天还看了莫凡的多线程教程，争取把多进程也看完！！！
现在2051，打算把武峰老师视频课D1学完，然后报名比赛，再学点别的之类的去睡啦！
