前向传播和反向传播实战（Tensor）

前面在mnist中使用了三个非线性层来增加模型复杂度，并通过最小化损失函数来更新参数，下面实用最底层的方式即张量进行前向传播（暂不采用层的概念）。

主要注意点如下：

　　· 进行梯度运算时，tensorflow只对tf.Variable类型的变量进行记录，而不对tf.Tensor或者其他类型的变量记录

　　· 进行梯度更新时，如果采用赋值方法更新即w1=w1+x的形式，那么所得的w1是tf.Tensor类型的变量，所以要采用原地更新的方式即assign_sub函数，或者再次使用tf.Variable包起来（不推荐）

代码如下：

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import datasets
import os

os.environ['TF_CPP_MIN_LOG_LEVEL']=''

# x:[60k,28,28]
# y:[60k]
(x,y),_=datasets.mnist.load_data()

x = tf.convert_to_tensor(x,dtype=tf.float32)/255.0
y = tf.convert_to_tensor(y,dtype=tf.int32)

print(x.shape,y.shape,x.dtype,y.dtype)
print(tf.reduce_min(x),tf.reduce_max(x))
print(tf.reduce_min(y),tf.reduce_max(y))

train_db=tf.data.Dataset.from_tensor_slices((x,y)).batch(128)
train_iter=iter(train_db)
sample=next(train_iter)
print('batch:',sample[0].shape,sample[1].shape)

# [b,784]=>[b,256]=>[b,128]=>[b,10]
# w shape[dim_in,dim_out] b shape[dim_out]
w1 = tf.Variable(tf.random.truncated_normal([784,256],stddev=0.1))
b1 = tf.Variable(tf.zeros([256]))

w2 = tf.Variable(tf.random.truncated_normal([256,128],stddev=0.1))
b2 = tf.Variable(tf.zeros([128]))

w3 = tf.Variable(tf.random.truncated_normal([128,10],stddev=0.1))
b3 = tf.Variable(tf.zeros([10]))

# 设置学习率
lr = 0.001
for epoch in range(10): # 对数据集迭代
    for step,(x,y) in enumerate(train_db):
        # x:[128,28,28] y:[128]
        x = tf.reshape(x,[-1,28*28])

        with tf.GradientTape() as tape: # tape只会跟踪tf.Variable
            # x:[b,28*28]
            # [b,784]@[784,256]+[256]=>[b,256]+[256]
            h1 = x@w1 + b1
            h1 = tf.nn.relu(h1) # 去线性化
            h2 = h1@w2 + b2
            h2 = tf.nn.relu(h2) # 去线性化
            out = h2@w3 + b3

            # 计算损失
            y_onehot = tf.one_hot(y,depth=10)
            # mse = mean(sum(y-out)^2)
            loss = tf.square(y_onehot - out)
            # mean:scalar
            loss = tf.reduce_mean(loss)

        # 计算梯度
        grads = tape.gradient(loss,[w1,b1,w2,b2,w3,b3])
        # w1 = w1 -lr * w1_grad
        w1.assign_sub(lr * grads[0]) # 原地更新
        b1.assign_sub(lr * grads[1])
        w2.assign_sub(lr * grads[2])
        b2.assign_sub(lr * grads[3])
        w3.assign_sub(lr * grads[4])
        b3.assign_sub(lr * grads[5])

        if step % 100 == 0:
            print('epoch = ',epoch,'step =',step,'，loss =',float(loss))

效果如下：