tf dense layer两种创建方式的对比和numpy实现

文章目录

1 Dense Layer
2 对比原始的add layer方法和继承方法的不同
- 2.1 global config
- 2.1 用add实现
- 2.2 用继承实现
3 有权重的对比
- 3.1 用自带add_weight方法自定义权重
- 3.2 用add实现
- 3.3 用继承实现
4 用自定义矩阵为权重矩阵
- 4.1 初始化权重和偏移项矩阵
- 4.2 用add实现
- 4.3 用继承实现
5 用numpy实现
- 5.1 初始化权重和偏移项矩阵
- 5.2 add实现，有激活函数
- 5.3 tf 实现
- 5.4 numpy实现

1 Dense Layer

目的：构建Dense层，对比两种方法实现的区别

2 对比原始的add layer方法和继承方法的不同

2.1 global config

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras.layers import Input, LSTM, Dense
import numpy as npnp.random.seed(1)rows = 10000    # 样本数
columns = 100  # 特征数train_x1 = np.random.random(size=(int(rows/2), columns))
train_y1 = np.random.choice([0], size=(int(rows/2), 1))
train_x2 = np.random.random(size=(int(rows/2), columns))+1
train_y2 = np.random.choice([1], size=(int(rows/2), 1))train_x = np.vstack((train_x1, train_x2))
train_y = np.vstack((train_y1, train_y2))units = 5    # 自定义cell个数

2.1 用add实现

tf.random.set_seed(1)        # 固定随机值model1 = keras.Sequential()
model1.add(Input(shape=(columns,)))
model1.add(Dense(units=units))model1.compile(optimizer="adam", loss="mse", metrics=["accuracy"])model1.fit(train_x, train_y, epochs=10)
model1.predict(train_x)[-1][-1]l1 = model1.layers[0]
w1, b1 = l1.get_weights()

api中的参数分几部分

initializer 初始项，初始化参数
regularizer 正则项，选择不同正则模式L1L2
constraint 约束项，非负约束或者最大模约束

2.2 用继承实现

tf.random.set_seed(1)        # 固定随机值class MyDenseLayer(keras.layers.Layer):def __init__(self, num_outputs):super(MyDenseLayer, self).__init__()self.num_outputs = num_outputsdef build(self, input_shape):self.kernel = self.add_weight(name="kernel", shape=[int(input_shape[-1]), self.num_outputs])self.bias = self.add_weight(name="bias", shape=[self.num_outputs, ], initializer=keras.initializers.zeros)self.build = Truedef call(self, input):return tf.matmul(input, self.kernel) + self.biasmodel2 = keras.Sequential()
model2.add(Input(shape=(columns,)))
model2.add(MyDenseLayer(units))     model2.compile(loss="mse", optimizer="adam", metrics=['accuracy'])model2.fit(train_x, train_y, epochs=10)
model2.predict(train_x)[-1][-1]l2 = model2.layers[0]
w2, b2 = l2.get_weights()

3 有权重的对比

3.1 用自带add_weight方法自定义权重

自定义初始的权重和偏移项。为什么要定义这两个方法？为了用add_weight方法初始权重和偏移项

def w_init(shape, dtype=tf.float32):return tf.random.normal(shape=shape, dtype=dtype)def b_init(shape, dtype=tf.float32):return tf.zeros(shape=shape, dtype=dtype)

3.2 用add实现

tf.random.set_seed(1)        # 固定随机值model3 = keras.Sequential()
model3.add(Input(shape=(columns,)))
model3.add(Dense(units=units, kernel_initializer=w_init, bias_initializer=b_init))   # 需要固定weightsmodel3.compile(optimizer="adam", loss="mse", metrics=["accuracy"])model3.fit(train_x, train_y, epochs=10)
model3.predict(train_x)[-1][-1]l3 = model3.layers[0]
w3, b3 = l3.get_weights()

3.3 用继承实现

tf.random.set_seed(1)        # 固定随机值class MyDenseLayer(keras.layers.Layer):def __init__(self, num_outputs):super(MyDenseLayer, self).__init__()self.num_outputs = num_outputsdef build(self, input_shape):self.kernel = self.add_weight(initializer=w_init, shape=(input_shape[-1], self.num_outputs), dtype=tf.float32)    # 自定义权重self.bias = self.add_weight(initializer=b_init, shape=(self.num_outputs,), dtype=tf.float32)     # 自定义偏移项def call(self, input):return tf.matmul(input, self.kernel) + self.biasmodel4 = keras.Sequential()
model4.add(Input(shape=(columns,)))
model4.add(MyDenseLayer(units))     model4.compile(loss="mse", optimizer="adam", metrics=['accuracy'])model4.fit(train_x, train_y, epochs=10)
model4.predict(train_x)[-1][-1]l4 = model4.layers[0]
w4, b4 = l4.get_weights()

4 用自定义矩阵为权重矩阵

4.1 初始化权重和偏移项矩阵

tf.random.set_seed(1)
w = tf.random.normal(shape=(columns, units), dtype=tf.float32)
b = tf.zeros(shape=(units,), dtype=tf.float32)def w_init(shape, dtype=tf.float32):return wdef b_init(shape, dtype=tf.float32):return b

4.2 用add实现

tf.random.set_seed(1)        # 固定随机值model5 = keras.Sequential()
model5.add(Input(shape=(columns,)))
model5.add(Dense(units=units, kernel_initializer=w_init, bias_initializer=b_init))       model5.compile(loss="mse", optimizer="adam", metrics=['accuracy'])model5.fit(train_x, train_y, epochs=10)
model5.predict(train_x)[-1][-1]

4.3 用继承实现

不用Layer.add_weight方法，自己实现一个权重矩阵，然后用权重矩阵作为初始化，进行训练

tf.random.set_seed(1)        # 固定随机值class MyDenseLayer(keras.layers.Layer):def __init__(self, num_outputs):super(MyDenseLayer, self).__init__()self.num_outputs = num_outputsdef build(self, input_shape):self.kernel = tf.Variable(w, trainable=True)self.bias = tf.Variable(b, trainable=True)def call(self, input):return tf.matmul(input, self.kernel) + self.biasmodel6 = keras.Sequential()
model6.add(Input(shape=(columns,)))
model6.add(MyDenseLayer(units))     model6.compile(loss="mse", optimizer="adam", metrics=['accuracy'])model6.fit(train_x, train_y, epochs=10)
model6.predict(train_x)[-1][-1]

5 用numpy实现

5.1 初始化权重和偏移项矩阵

tf.random.set_seed(1)train_x = np.ones(shape=(rows, columns), dtype="float32")  # 这里一定要dtype一致，否则numpy与keras计算结果会有差异，我这里统一使用float32
train_y = np.vstack([np.ones(shape=(int(rows/2), 1), dtype="float32"), np.zeros(shape=(int(rows/2),1), dtype="float32")])w = tf.random.normal(shape=(columns, 1), dtype=tf.float32)
b = tf.zeros(shape=(1,), dtype=tf.float32)def w_init(shape, dtype=tf.float32):return tf.convert_to_tensor(w, dtype=tf.float32)def b_init(shape, dtype=tf.float32):return tf.convert_to_tensor(b, dtype=tf.float32)

5.2 add实现，有激活函数

tf.random.set_seed(1)        # 固定随机值model7 = keras.Sequential()
model7.add(Input(shape=(columns,)))
model7.add(Dense(units=1, kernel_initializer=w_init, bias_initializer=b_init, activation="sigmoid"))h1 = model7.predict(train_x)model7.compile(loss="mse", optimizer=tf.keras.optimizers.SGD(learning_rate=learning_rate), metrics=['accuracy'])model7.fit(train_x, train_y, epochs=1, batch_size=rows)    #这里要注意batch_size要用BatchGD，因为numpy实现时没有用batch，用的是全量数据更新w1, b1 = model7.layers[0].weights

5.3 tf 实现

tf.random.set_seed(1)        # 固定随机值x = tf.Variable(train_x, dtype=tf.float32)
w2 = w
b2 = b
with tf.GradientTape(persistent=True) as tape:tape.watch([w2, b2])y_pred = 1/(1+tf.math.exp(-1*tf.matmul(x, w2)+b2))loss = tf.math.reduce_mean(tf.math.square(tf.subtract(y_pred, train_y)))dw2 = tape.gradient(target=loss, sources=w2)
db2 = tape.gradient(target=loss, sources=b2)w2 = w2 - dw2*learning_rate
b2 = b2 - db2*learning_rate

5.4 numpy实现

import numpy as npclass MyModel:def __init__(self, w, b, learning_rate):self.w = wself.b = bself.learning_rate = learning_ratedef fit(self, train_x, train_y, epochs, batch_size):self.x = train_xself.y = train_yfor epoch in range(epochs):print(f"epoch {epoch}")self.forward()  # 正向传播self.get_loss()self.backward()def forward(self):self.h3 = self.sigmoid(np.dot(self.x, self.w) + self.b)def backward(self):learning_rate = 0.01dw3 = np.dot(self.x.T, 2*(self.h3 - self.y)*self.h3*(1-self.h3)/train_x.shape[0])  # loss对w的求导db3 = np.dot(np.ones(shape=(1, rows)), 2*(self.h3 - self.y)*self.h3*(1-self.h3)/train_x.shape[0])  # loss对b的求导self.w -= dw3 * learning_rateself.b -= db3 * learning_ratedef sigmoid(self, x):return 1 / (1 + np.exp(-x))def get_loss(self):loss = np.sum((np.square(self.h3-self.y)), axis=0)/rowsprint(f"loss {loss}")def predict(self):passmodel8 = MyModel(w, b, learning_rate)
model8.fit(train_x, train_y, epochs=1, batch_size=rows)w3 = model8.w
b3 = model8.b

tf dense layer两种创建方式的对比和numpy实现相关推荐

TF、keras两种padding方式：vaild和same
TF.keras两种padding方式:vaild和same TF.keras两种padding方式:vaild和same:https://oldpan.me/archives/tf-keras-pa ...
【无标题】单例模式的两种创建方式：饿汉式和懒汉式
这里写自定义目录标题单例模式的两种创建方式:饿汉式和懒汉式欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂 ...
Java多线程两种实现方式的对比
Java多线程两种实现方式的对比一种,直接继承Thread类一种,实现Thread类的Runnable接口两种方式的区别比如,售票厅有四个窗口,可以发售某日某次列出的100张车票,此时,100 ...
java中字符串的创建_【转载】 Java中String类型的两种创建方式
本文转载自 https://www.cnblogs.com/fguozhu/articles/2661055.html Java中String是一个特殊的包装类数据有两种创建形式: String s ...
eclipse让实现类也添加上接口的注释_多线程：面试常问的两种创建方式，数据共享实现和正确停止线程...
多线程进程与线程的区别: 进程:程序的执行过程,持有资源(内存)(共享内存和文件)和线程.比如,电脑上的eclipse.QQ.微信等运行中的软件就是一个进程线程应用:1.eclipse编辑代码时, ...
java多线程总结一：线程的两种创建方式及优劣比较
1.通过实现Runnable接口线程创建 (1).定义一个类实现Runnable接口,重写接口中的run()方法.在run()方法中加入具体的任务代码或处理逻辑. (2).创建Runnable接口实现 ...
android编程fragment,详解Android中Fragment的两种创建方式
onCreate():在创建fragment时系统会调用此方法.在实现代码中,你可以初始化想要在fragment中保持的那些必要组件,当fragment处于暂停或者停止状态之后可重新启用它们. onC ...
java多线程总结一：线程的两种创建方式及比较
1.线程的概念:线程(thread)是指一个任务从头至尾的执行流,线程提供一个运行任务的机制,对于java而言,一个程序中可以并发的执行多个线程,这些线程可以在多处理器系统上同时运行.当程序作为一个应 ...
Spark对Kafka两种连接方式的对比——Receiver和Direct
在知乎 Flink 取代 Spark Streaming 的实战之路中,提到因此下面对两种方式进行详细说明一下. Receiver方式 Receiver:接收器模式是使用Kafka高级Consume ...

tf dense layer两种创建方式的对比和numpy实现

文章目录

1 Dense Layer

2 对比原始的add layer方法和继承方法的不同

2.1 global config

2.1 用add实现

2.2 用继承实现

3 有权重的对比

3.1 用自带add_weight方法自定义权重

3.2 用add实现

3.3 用继承实现

4 用自定义矩阵为权重矩阵

4.1 初始化权重和偏移项矩阵

4.2 用add实现

4.3 用继承实现

5 用numpy实现

5.1 初始化权重和偏移项矩阵

5.2 add实现，有激活函数

5.3 tf 实现

5.4 numpy实现

tf dense layer两种创建方式的对比和numpy实现相关推荐

最新文章

热门文章