【Tensorflow】北京大学tensorflow学习笔记

雨点打透心脏的1/2处 2022-03-01 07:38 339阅读 0赞

# AI\_TensorflowNotebook #

北京大学公开课学习笔记  
课程链接：[https://www.icourse163.org/course/PKU-1002536002][https_www.icourse163.org_course_PKU-1002536002]  
课程github主页：[链接][Link 1]  
推荐课程中的助教笔记，内容更加全面。[笔记链接][Link 2] 提取码: jhk5

本文相关代码：[github个人主页][github]

## 1 AI概述与环境搭建 ##

### 1.1 人工智能概述 ###

1.  人工智能的概念、兴衰史、学科带头人、常见消费产品。
2.  机器学习概念、应用领域（CV、NLP）、三要素（数据、算法、算力）
3.  深度学习概念、计算机实现。
4.  关系：人工智能》机器学习》深度学习

### 1.2 环境配置 ###

课程代码基于python2.7，tensorflow版本：1.3.0，系统：windows10，其他环境可以自行百度或参考课程视频安装。

个人使用64位虚拟机：ubuntu18.04，安装过程遇到的一些问题：

1.  安装pip：  
    `sudu apt install python-pip`
2.  pip 安装完成后去 tflearn.org 左侧Installation 找到对应python版本的TensorFlow下载指令。  
    如ubuntu/linux 64-bit，CPU only，python2.7对应：`$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-1.1.0-cp27-none-linux_x86_64.whl`
3.  借助输入下面的对应python2 的安装指令：`$ sudo pip install $TF_BINARY_URL`
4.  安装后命令行进入python，输入：`import tensorflow as tf`不报错说明安装成功，输入：`print tf.__version__`查看版本。

### 1.3 安装必要包 ###

使用清华镜像，安装其他需要的python包，如pandas，命令行输入：`pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ pandas`

安装vim：`sudo apt-get install vim`

替换apt软件源为阿里云源：`https://blog.csdn.net/zhangjiahao14/article/details/80554616`  
这里ubuntu的版本影响源地址，所以之前一直替换不成功。

python2.7比较老，很多包和函数都因为更新会出现各种各样的问题，遇到问题多找找博客论坛。

## 2 编程语言基础 ##

### 2.1 常用基础命令 ###

1.  pwd：当前路径
2.  ls：显示文件
3.  cd… 返回上一级 …/…上两级 ~ 返回home目录
4.  mkdir：创建文件夹
5.  vim [A.py][] 用vim打开一个py文件
6.  vim全选，全部复制，全部删除，先按esc，分别对应ggVG、ggyG、dG
7.  ：q 强制退出vim ：wq保存更改退出 ：q！ 不保存退出 如果文件无法编辑保存退出，打开文件的时候使用sudo vim 文件命名  
    其他vim指令参考：[点此连接][Link 3]

### 2.2 ubuntu指令 ###

1.  更新源：sudo apt-get update
2.  更新已安装的软件：sudo apt-get upgrade
3.  删除包：sudo apt-get remove package
4.  打开命令终端：Ctrl+Alt+T
5.  回到桌面：win+D
6.  切换输入法：win+空格
7.  其他快捷键在：设置->设备->键盘 处可看。

### 2.3 python基础语法 ###

学习本课程的都是有基础的，不再赘述。

## 3 Tensorflow框架介绍 ##

### 3.1 张量、图、会话 ###

基于tensorflow的神经网络就是用张量（Tensor）表示数据，用计算图（Graph）搭建网络，用会话（Sess）进行运算，优化权重参数获得模型。  
1、张量（Tensor）：多维数组的特殊表示形式

#coding:utf-8
    import tensorflow as tf
    a=tf.constant([1.0,2.0])	#张量
    b=tf.constant([3.0,4.0])
    result=a+b
    print result

输出：Tensor(“add:0”, shape=(2,), dtype=float32)

2、计算图（Graph）：搭建神经网络的计算结构（乘加），不进行计算。

#coding:utf-8
    import tensorflow as tf
    x = tf.constant([[1.0, 2.0]])
    w = tf.constant([[3.0], [4.0]])
    y=tf.matmul(x,w)
    print y

输出：  
Tensor(“MatMul:0”, shape=(1, 1), dtype=float32)

3、会话（Session）：会话为执行计算结果

with tf.Session() as sess:
    	print sess.run(y)

\[\[11.\]\]

4、常用参数tf.Variable（）

tf.random_normal()		#生成正态分布随机数
    tf.truncated_normal()	#去大偏离点的正态
    tf.random_uniform()		#均匀分布随机
    tf.zeros()				#全0
    tf.ones()				#全1
    tf.fill()				#全部为某一个给定值
    tf.constant([])		#给指定值，可不同

涉及到随机数时给定seed即可生成相同随机数。

### 3.2 前向传播 ###

将数据输入，搭建好的Graph，Session结构，经卷积、池化、非线性激活等操作输出运算结果。

#coding:utf-8
    import tensorflow as tf
    
    x = tf.constant([[0.7, 0.5]])  #输入
    w1= tf.Variable(tf.random_normal([2, 5], stddev=1, seed=1))  #两层参数w   五个节点
    w2= tf.Variable(tf.random_normal([5, 1], stddev=1, seed=1))
    
    a = tf.matmul(x, w1)		#前向传播计算
    y = tf.matmul(a, w2)
    
    with tf.Session() as sess: 
    init_op = tf.global_variables_initializer()		#汇总变量
    sess.run(init_op)					#变量初始化
    print"y in test is:\n",sess.run(y) 		#计算接点输出

使用：tf.placeholder(tf.float32, shape=(A, B))对输入数据占位，选择喂入一组（A=1）或多组（A=None），以及选择数据属性（B=）。

喂1组，每组2列：

x = tf.placeholder(tf.float32, shape=(1, 2))
    sess.run(y, feed_dict={x: [[0.6,0.4]]})

喂2组，每组3列：

x = tf.placeholder(tf.float32, shape=(None, 3))
    sess.run(y, feed_dict={x: [[0.6,0.4，0.2],[0.3,0.5，0.8]]})

### 3.3 反向传播 ###

指定学习率、损失函数等参数不断喂入数据进行参数w权重偏置b的优化，达到最小损失，参数最优。

1、损失函数（loss）：预测值yu和已知答案y的差值，优化的目标，使它最小。  
常用方法：  
均方误差（MSE）： 预测yu和标准y差的平方和再求平均

loss_MSE = tf.reduce_mean(tf.square(y-yu))

交叉熵（CE）：概率分布距离，只越大预测、实际差距越大。

ce = -tf.reduce_mean(yu*tf.log(tf.clip_by_value(yu,1e-12,1.0)))		#限定yu作为log指数不为0

自定义：其他损失函数。

2、 学习率（learning\_rate）  
参数更新的幅度，一般预设0.001

3、优化器选择：

train_step = tf.train.GradientDescentOptimizer(0.001).minimize(loss_MSE)		#梯度下降
    train_step = tf.train.MomentumOptimizer(0.001,0.9).minimize(loss_MSE)
    train_step = tf.train.AdamOptimizer(0.001).minimize(loss_MSE)

常见优化器优缺点比较：[参考博客][Link 4]

训练时可以加入 time 模块计算时间。

4、激活函数：  
增加模型的表达力，提高非线性分类的能力。

*  relu函数：tf.nn.relu()
 *  sigmoid函数:tf.nn.sigmoid()
 *  tanh函数：tf.nn.tanh()

常用激活函数理解和总结：[StevenSun2014的博客][StevenSun2014]

### 3.4 神经网络复杂度 ###

与神经网络层数和参数个数有关。

神经网络层数为隐含层个数+1，没经过运算的不算（输入层不算，输出算）  
参数：总的权重参数w个数 + 总偏置项b个数。权重参数w个数看每层前后节点乘积和，总偏置b个数看每两层后靠后一层的节点数量。

## 4 神经网络优化 ##

### 4.0先导环节 ###

tensorflow里的一些常用函数

tf.get_collection("")
    #从集合中取出全部变量形成列表
    tf.add_n([])
    #列表内对应元素相加
    tf.cast(x,dtype)
    #将x转化为dtype类型
    f.argmax(x,axis=)
    #返回最大值索引号
    with tf.Graph().as_default as g:
    #将（）其中的节点用在计算图 g 中，一般用于复现定义好的网络

### 4.1 损失函数 ###

MSE、CE、自定义三种，再tensorflow中的使用不再赘述，参考上节。  
在交叉熵损失函数使用时如果使用softmax（）转化为分类概率分布：

CE = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=，labels=tf.argmax（yu，1）)	#返回每行在列维度的最大值索引
    CEM = tf.reduce_mean(CE)

### 4.2 学习率 ###

可以设置静态学习率为定值，不宜过小过大，过小损失函数收敛很慢，较大容易振荡不收敛。

指数衰减学习率：根据训练轮数动态更新学习率。

lr = lr_base * lr_decay^(global_step/lr_step)

*  lr\_base:学习率初始值，学习率基数
 *  lr\_decay:学习率衰减率，属于（0,1）
 *  global\_step：运行了多少轮batch\_size
 *  lr\_step：多少轮更新（减低）一次学习率，取（总样本数/batch\_size)

在tensorflow中：

global_step = tf.Variable(0,trainable = False)	#轮数不可训练
    lr = tf.train.exponential_decay(
    				    lr_base,
    				    global_step,
    				    lr_step,
    				    lr_decay,
    				    staircase = Ture) 
    #staircase = Ture 时，比值取整，梯形衰减，False平滑衰减

**指数衰减的学习率，在迭代初期得到较高的下降速度，可以在较小的训练轮数下取得更有收敛度。**

**注意：global\_step的值是使学习率更新的关键：**

train_step = tf.train.GradientDescentOptimizer(lr).minimize(loss, global_step=global_step)

如果不在训练目标\*\*minimize(loss, global\_step=global\_step)\*\*里加上global\_step=global\_step的话这个数值不会变化，学习率也就不会变化。

### 4.3 滑动平均 ###

记录网络中每个参数一段时间内过往值的平均值，增加模型的泛化能力。针对所有参数w和b

滑动均值初值 = 参数初值  
滑动均值 = 衰减率 \* 上一滑动均值 + （1-衰减率）\* 更新的参数值（w或b）  
衰减率 = `Min{ Moving_Average_Decay,(1+global_step)/(10+global_step)}`

实际使用：

ema = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY,global_step)		#global_step当前轮数
    ema_op = ema.apply(tf.trainable_variables())	#对所有待优化的参数求滑动平均
    with tf.contral_dependencies([train_step,ema_op]):  #只优化这两个参数集
    train_op = tf.no_np(name='train')	#执行完上面两之后什么也不做

`ema.average(w1)`可以在运行过程调用查看参数情况

### 4.4 正则化 ###

在模型损失函数中给每个参数加上权重，抑制模型训练数据噪声。  
通常只对权重参数w使用，缓解过拟合现象。

loss_all = loss(CE，MSE等) + REGULARIZER * loss(w)  
    #loss_all表示模型总的损失函数，REGULARIZER表示超参数权重，决定w在总loss中的比例。loss（w）是进行正则化的参数。

常用的两种正则化方法：  
L1正则： L1\_loss=∑|w|

loss(w) = tf.contrib.layers.l1_regularizer(REGUIARIZER)(w)

L2正则：L2\_loss=∑|w^2|

loss(w) = tf.contrib.layers.l2_regularizer(REGUIARIZER)(w)

tensorflow中使用方法：

loss_ce = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, labels=tf.argmax(yu, 1))
    loss_cem = tf.reduce_mean(loss_ce)
    loss_all = loss_cem + tf.add_n(tf.get_collection('losses')) #这里的losses就是经过正则化的，

其他正则化方法可参考博客：[Maples丶丶的博客][Maples]

示例：初始分布  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2R6Z19jaGF0_size_16_color_FFFFFF_t_70]  
无正则化训练：60000次，学习率0.001.

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2R6Z19jaGF0_size_16_color_FFFFFF_t_70 1]  
有正则化训练：60000次，学习率0.001.

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2R6Z19jaGF0_size_16_color_FFFFFF_t_70 2]  
可以调整其他参数查看效果：如训练轮数为120000次时：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2R6Z19jaGF0_size_16_color_FFFFFF_t_70 3]

### 4.5 神经网络搭建样例 ###

1、[前向传播forward.py][forward.py]

def forward(x,regularizer):		#声明权重、参数，和预测输出的计算方法
        w = 
        b = 
        y = 
        return y		#输出结果
    
    def get_weight(shape,regularizer):		#shape是中间权重矩阵形状
        w = tf.Variable()		#一般用随机函数声明
        if regularizer != None: tf.add_to_collection('losses', tf.contrib.layers.l2_regularizer(regularizer)(w))
    	#声明如果有正则化超参数，则对w使用正则化
        return w
    
    def get_bias(shape):		#偏置形状和参数
        b = tf.Variable()
        return b

2、[反向传播backward.py][backward.py]

def backward():
        x = tf.placeholder()
        y = tf.placeholder()		#标准的x和类标签y 数据占位
        yu = forward.forward(x,REGULARIZER)  #调用forward.py里的forward函数计算预测输出
        global_step = tf.Variable(0,trainable=False)
        loss = 可视任务情况选择加入优化方法

①正则化的优化方法：  
内容参考上一节：

最终loss = 基本损失loss（CE等） + 正则化损失tf.add_n(tf.get_collection('losses'))

②指数衰减学习率优化：  
调用函数参考上节。  
最终的训练目标：`train_step = tf.train.GradientDesentOptimizer(lr).minimize(loss,global_step = global_step)`

优化器除梯度下降也可选其他MomentumOptimizer、AdamOptimizer等。

③滑动平均优化：

ema = tf.train.ExponentialMovingAverage(M_A_DECAY,global_step)
    ema_op = ema.apply(tf.trainable_variables())		#应用到所有参数求滑动平均
    with tf.contral_dependencies([train_step,ema_op]):  	#只执行这两个部分
    train_op = tf.no_np(name='train')		#之后无操作

④实例化声明：用以保存模型参数：

saver = tf.train.Saver()

⑤所有变量环节初始化

with tf.Session() as sess:
    	init_op = tf.global_variables_initializer()
    	sess.run(init_op)		#生成会话， 初始化变量
    
    for i in range(STEPS):
    	sess.run(train_step,feed_dict={x: ,y_: })		#喂数
    		if i % 轮数 ==0：	
    			print 		#每多少轮显示轮数或者loss损失值
    			saver.save（）	#保存模型及参数

⑥判断backward是否为主文件：

if __name__ = '__main__':
        backward()

3 [测试文件test.py][test.py]

def test()：
        with tf.Graph().as_default() as g:  #复现计算图
        x = tf.placeholder(tf.float32, [None, ])
        y = tf.placeholder(tf.float32, [None, ])		#输入x y 占位
        yu = forward.forward(x, None)  #前向传播计算输出yu

实例化带滑动平均的saver对象，所有参数在会话中被加载时会被赋值为各自的滑动平均值。就是调用以前经过滑动平均的参数。

ema = tf.train.ExponentialMovingAverage(mnist_backward.MOVING_AVERAGE_DECAY)
        ema_restore = ema.variables_to_restore()
        saver = tf.train.Saver(ema_restore)

计算准确率

correct_prediction = tf.equal(tf.argmax(yu, 1), tf.argmax(y, 1))
    	#yu是神经网络喂入的batch_size组数据后计算的结果，是batchsiZe组*10（单个标签所含10分类）的二维数组。
    	#1表示argmax函数选取最大值的操作仅在第一个维度，就是返回每行里的最大值对应索引。
    
        accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    	#cast（）把equal（）函数获取的布尔值转化为实数，再用tf.reduce_mean()求平均，获得准确率
    
        while True:
            with tf.Session() as sess:
                ckpt = tf.train.get_checkpoint_state(mnist_backward.MODEL_SAVE_PATH)
                #加载模型，赋参数滑动平均值
                if ckpt and ckpt.model_checkpoint_path:		#确认模型路径和文件都存在
                    saver.restore(sess, ckpt.model_checkpoint_path) #恢复到当前会话
                    global_step = ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1] 
                    accuracy_score = sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})
                    print("经过 %s 训练轮数, 准确率为： %g" % (global_step, accuracy_score))
                else:
                    print('没有对应模型')
                    return
            time.sleep(T)		#测试进行的快，训练保存模型进行的慢，不延迟可能多次调用的是同一个模型的参数，若不是一起运行则无影响

## 5 全连接网络基础 ##

### 5.1 MNIST数据集 ###

mnist为黑底白字的手写数字数据集，每行图片大小为28\*28像素，附带每张图片的标签信息。纯黑像素为 0，纯白色像素为1.  
数据集分为train, validation 和 test 三个数据集。训练集和验证集一般用来训练。

*  train：一般用来训练调整网络权重参数，计算训练集准确率。
 *  validation：一般只用来计算准确率，达到阈值就退出训练。\*\*不使用该数据集调整参数权重。\*\*如果训练验证过程中训练集的准确率仍然不断上升，但是验证集准确率不变或者降低了，就过拟合了，停止训练。
 *  test：用来测试网络的实际预测能力

0加载数据集到指定路径：

from tensorflow.examples.tutorials.mnist import input_data
    mnist = input_data.read_data_sets("./python/pymnist/data/", one_hot=True)

1查看各个数据集样本数量：

print "train sets size:\n",mnist.train.num_examples  
    print "validation sets size:\n",mnist.validation.num_examples
    print "test sets size:\n",mnist.test.num_examples

2 查看制动数据集、指定图片的标签和像素值：

#训练集中第6张图片的标签和像素值    
    mnist.train.labels[6]
    >>>array([0., 1., 0., 0., 0., 0., 0., 0., 0., 0.])
    #该数字为2
    
    mnist.train.images[6]

3 喂入网络数据

xs,ys = mnist.train.next_batch(batchsize)

参数 batchsize，表示随机从训  
练集中抽取 batchsize 个样本输入神经网络，并将样本的像素值和标签分别赋  
给 xs 和 ys。

### 5.2 模型的保存、复用和断点续训 ###

保存：

saver = tf.train.Saver()
    #声明实例对象
    
    with tf.Session() as sess:
    ...    
    	for i in range(STEPS):
    		xs, ys = mnist.train.next_batch(BATCH_SIZE)
    		if i % 轮数 == 0:
    			saver.save(sess, os.path.join(MODEL_SAVE_PATH, MODEL_NAME), global_step=global_step)
    #保存模型到当前会话，标注保存时的训练轮数

模型加载：

with tf.Session() as sess:
    	ckpt = tf.train.get_checkpoint_state( 存储路径) )
    	if ckpt and ckpt.model_checkpoint_path:
    		saver.restore(sess, ckpt.model_checkpoint_path)
    #如果ckpt模型和保存路径都存在，复用

断点续训：一般加在会话sess开始后初始化的后面，可以继续之前意外中断的训练过程。

ckpt = tf.train.get_checkpoint_state(MODEL_SAVE_PATH)
    if ckpt and  ckpt.model_checkpoint_path:
    	saver.restore(sess, ckpt.model_checkpoint_path)

### 5.3 全连接神经网络识别手写体数据 ###

对应文件在文件夹chapter5\_fullyConect中。  
包含几个部分：

*  data文件夹：存放下载的mnist数据文件。
 *  model文件夹：存放训练完成保存的模型及各个参数，默认只保存最近的5个。
 *  pic文件夹：为待识别的手写数字图片。
 *  mnist\_backward.py:反向传播过程，及常见优化方法。
 *  mnist\_forward.py:定义输入参数、网络结构。
 *  mnist\_test.py:复用模型进行测试，查看准确率。
 *  mnist\_app.py:应用训练好的模型实现手写数字预测。

使用时注意各文件存放路径，避免使用时调用路径错误，进行图片预测测试时待判别图片路径输入要完整。

反向传播：  
**注意训练过程可以按 ctrl+Z中断训练，模型下次训练可以继续，若要重新开始先删除model文件夹里的文件。**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2R6Z19jaGF0_size_16_color_FFFFFF_t_70 4]  
测试：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2R6Z19jaGF0_size_16_color_FFFFFF_t_70 5]  
应用预测：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2R6Z19jaGF0_size_16_color_FFFFFF_t_70 6]

## 6 全连接神经网络实战 ##

### 6.1 与第五章内容重合，不赘述 ###

### 6.2 以mnist为例自制数据集 ###

#### 6.2.1 什么是tfrecords文件 ####

1、tfrecords文件：  
一种二进制文件，可先将图片和标签制作成该格式的文件。使用这种格式进行数据读取，会提高内存利用率。  
2、 tf.train.Example（）:  
用来存储训练数据。tf.train.Example中包含了一个从属性名称及取值的字典，其中属性名称为一个字符串，属性的取值可以为字符串（BytesList ），实数列表（FloatList ）或整数列表（Int64List ）。  
训练数据的特征用 **键值对** 的形式表示。  
如:

'img_raw':值 
    'label':值

值取：Byteslist/FloatList/Int64List

3、 SerializeToString( ) ：  
把数据序列化成字符串存储。

#### 6.2.2 生成 tfrecords文件 ####

writer = tf.python_io.TFRecordWriter('train.tfrecords') #新建writer文件
    .
    .#中间读待制作数据文件过程
    .
    for content in contents:	#对每个数据处理
    	.
    	.#取数据路径、转为二进制，打标签
    	.
    	example = tf.train.Example(features=tf.train.Features(feature={
                'img_raw': tf.train.Feature(bytes_list=tf.train.BytesList(value=[img_raw])),
                'label': tf.train.Feature(int64_list=tf.train.Int64List(value=labels))
                }))     #标准封装格式 每张图片和标签封装到example中
    	writer.write(example.SerializeToString())       #序列化存储
    writer.close()	#完成

#### 6.2.3 解析 tfrecords文件 ####

filename_queue = tf.train.string_input_producer([tfRecord_path], shuffle=True)  #解析队列
    reader = tf.TFRecordReader()        #新建reader文件
    _, serialized_example = reader.read(filename_queue)     #读出来的每一个样本保存
    features = tf.parse_single_example(serialized_example,
                                       features={
                                        'label': tf.FixedLenFeature([10], tf.int64),
                                        'img_raw': tf.FixedLenFeature([], tf.string)
                                        })  #解序列化
    img = tf.decode_raw(features['img_raw'], tf.uint8)  #恢复图片
    .
    .
    . #降维，整形 主要是符合选用网络的输入要求
    .

#### 6.2.4 获取展示 tfrecords文件 ####

tfrecords_file = '.../train.tfrecords'
    image_batch, label_batch = read_tfrecord(tfrecords_file)
    img_batch, label_batch = tf.train.shuffle_batch([img, label],
    					    batch_size= batch_size,
    					    num_threads=2,
    					    capacity=2000,
    					    min_after_dequeue=1500,
    										)
    #从总样本中顺序取出capacity组数据，每次打乱顺序输出batch_size组，
    #如果capacity小于min_after_dequeue，会再从总样本中取出数据填满capacity，
    #结果输出为随即取出的batchsize组图像和标签数据

此章数据集tfrecords文件制作有部分内容参考博客：[链接][Link 5]

最后修改测试我没有成功复现：可参考博客[young liu][]

这部分内容数据及源码链接：[链接][Link 6]  
试了几次数据文件解压都有问题。

## 卷积神经网络的内容之后单独整理 ##

# END #

[https_www.icourse163.org_course_PKU-1002536002]: https://www.icourse163.org/course/PKU-1002536002
[Link 1]: https://github.com/cj0012/AI-Practice-Tensorflow-Notes
[Link 2]: https://pan.baidu.com/s/1nN85rNeH0AgHplVLfRc2TA
[github]: https://github.com/dzglearning/AI_TensorflowNotebook
[A.py]: http://A.py
[Link 3]: https://www.cnblogs.com/yangjig/p/6014198.html
[Link 4]: https://blog.csdn.net/weixin_40170902/article/details/80092628
[StevenSun2014]: https://blog.csdn.net/tyhj_sf/article/details/79932893
[Maples]: https://blog.csdn.net/qq_16137569/article/details/81584165
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2R6Z19jaGF0_size_16_color_FFFFFF_t_70]: /images/20220301/83397f5f40df49b4a08ad2ccafb7d553.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2R6Z19jaGF0_size_16_color_FFFFFF_t_70 1]: /images/20220301/289ada73757349d2a9a61323e465d83b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2R6Z19jaGF0_size_16_color_FFFFFF_t_70 2]: /images/20220301/f893adc5c8e84233942c7ec4a95a0634.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2R6Z19jaGF0_size_16_color_FFFFFF_t_70 3]: /images/20220301/83c2d2bd6934417b8eb9cc974e41d414.png
[forward.py]: http://xn--forward-yp5k59ufvenz1d.py
[backward.py]: http://xn--backward-141m899anvar80n.py
[test.py]: http://xn--test-p85f980juml8q3d.py
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2R6Z19jaGF0_size_16_color_FFFFFF_t_70 4]: /images/20220301/2013c0a8438a436b9582c271f5c3ed0c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2R6Z19jaGF0_size_16_color_FFFFFF_t_70 5]: /images/20220301/c733d4a0f1044038b9ea4c1b2b6e4d97.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2R6Z19jaGF0_size_16_color_FFFFFF_t_70 6]: /images/20220301/114852568b07416384c1bd0ab6d615c7.png
[Link 5]: https://blog.csdn.net/wiinter_fdd/article/details/72835939
[young liu]: https://www.cnblogs.com/xiaojianliu/p/9368967.html
[Link 6]: https://github.com/cj0012/AI-Practice-Tensorflow-Notes/blob/master/fc4.zip