1 常用小知识
conda activate tf
在anaconda prompt使用，进入名为tf的虚拟环境。pip install <包名>==- 可以查看指定包能被找到的所有版本。
pip install <包名> -i https://pypi.org/simple
从官方源下载包。
绘制多图 ：
plt.figure(figsize=(10,10)) plt.subplot(5,5,1)
Colab挂载谷歌云端硬盘 。
from google.colab import drive import os # 挂载网盘 drive.mount('/content/drive/') # 切换路径 os.chdir('/content/drive/MyDrive/rnn') # 查看目录下文件 !ls -ll # 和linux终端用法差不多 但是!(感叹号)不能少
python连接列表 。
a = [1, 2, 3] b = [4, 5, 6] c = a + b print(c) ''' [1, 2, 3, 4, 5, 6] '''
同样的，元组也可以使用 “+” 进行连接运算。
2 Learn
- Max Pooling 增强特征，减少数据。
- 卷积神经网络理论与算法 https://bit.ly/2UGa7uH (Youtube)
卷积层中，每个filter对应有一个bia
tensorflow的自动参数搜索功能，真的有点小期待。
有点失望，刚刚搜索出来的模型效果并不好。层数是预先固定的，搜索了卷积核数、卷积核的尺寸、全连接层的神经元数。虽然预先少了两层卷积，但准确率差距着实有点大。而且搜索得到模型的大小不好控制，比如刚刚搜索出模型的尺寸是原代码中模型的30倍。
原代码提供的模型，5层卷积，验证集准确率可在多个epoch保持100%。
搜索出模型，3层卷积，验证集准确率只到84%。
不知道能不能搜索learning_rate、batch_size。
1) 疑惑未解
1、卷积或池化的边界问题是如何处理的，不同的处理方式又各有什么影响？例如（5，5）的特征图被进行（2，2）的kernel池化或卷积。
2、进行了卷积中特征图的可视化，但是中间为什么会出现一些黑格呢？是特征图真的黑，还是显示的逻辑问题（比如有一步特征图后处理裁剪到[0,255]）。
2) 为何要有"bias"？
我们知道，对于一元线性函数，仅仅 y = w x y=wxy=wx 的表达能力是不够的，为了表达二维平面内的任意一条直线，我们使用了 y = w x + b y=wx+by=wx+b 。但是这个b能否被一个wx所替代？或者说：
y=wx+b 是 y = w 1 x 1 + w 2 x 2 y=w_1x_1+w_2x_2y=w
答案应该是不能。虽然对于任意的b，都可以找到某组(w, x)，使得 w x = b wx=bwx=b 。但是我们要的，就是固定，就是不受输入x的影响。
3 问题处理
1) jupyter的环境
如何在conda的不同虚拟环境中使用jupyter notebook？我使用了conda install nb_conda_kernels 后，仍然无法切换想要的环境。
在jupyter notebook的Conda选项卡中，只有两个打勾的环境能被使用。
打算暂时放弃jupyter notebook，毕竟也不是必需，我可以继续使用我的pycharm。
好像，jupyter notebook还是挺有用的，特别是我现在还没有学会保存模型的情况下，每次运行代码都要重新训练一次。
关于在指定虚拟环境中运行jupyter notebook，这篇教程是可以跑通的： 在Anaconda虚拟环境下打开jupyter notebook 。
指定目录运行jupyter
分为以下几步：
- 在目标目录启动cmd；
conda activate，激活你安装了jupyter notebook的环境；jupyter notebook，启动notebook。
2) Keras版本
运行下面这段代码时报错了，
import keras import numpy as np # 构建模型 model = keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])]) model.compile(optimizer='sgd', loss='mean_squared_error') # 准备训练数据 xs = np.array([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0], dtype=float) ys = np.array([-3.0, -1.0, 1.0, 3.0, 5.0, 7.0], dtype=float) # 训练模型 model.fit(xs, ys, epochs=500) # 使用模型 print(model.predict([10.0]))
安装keras时，我直接pip install keras，然而tensorflow与keras的版本之前其实是有对应关系的，卸载keras重新下载对应的版本即可。版本关系参见：亲测解决导入Keras报错 。
3) 为什么accuracy为100%，迭代时参数还在更新？
这个问题可以回看一下交叉熵损失函数的公式（如何你是用的它的话）。
关键在于，
l o s s = S u m ( − 1 ∗ l o g ( 被 正 确 分 类 的 样 本 的 预 测 概 率 ) ) loss=Sum(-1*log(被正确分类的样本的预测概率))
loss=Sum(−1∗log(被正确分类的样本的预测概率))
只要模型输出的预测概率还没有变成100%，参数就会继续更新。
