Tensorflow--入门记录

这篇博客介绍了Tensorflow的基础用法,包括变量定义、占位符、会话运行,以及通过一个简单的神经网络案例展示了如何识别Mnist手写字体。通过交叉熵损失函数和梯度下降算法进行模型训练,并提供了数据集导入与训练过程的详细步骤。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Tensor为张量,flow为流图。

Tensorflow内含有很多写好的工具,如梯度下降算法,卷积操作等。

在使用Tensorflow时,先导入包import Tensorflow as tf,在进行定义tensorflow变量时,使用tf.Variable(参数),有趣的是一个叫做占位符的工具,tf.placeholder(shape)申请一个占位符,这类似设置了一个shape已经知道的未知变量,在后面可以使用feed_dict={占位符:参数}来对占位符进行赋值。这个op在写完后徐要需要Session来进行运行,sess = tf.Session()申请会话,最后通过sess.run(要运行的内容)方法来完成计算。

Tensorflow 简单神经网络案例:

    内容:通过简单的神经网络来实现识别Mnist手写字体。图片长宽都为28,通道为1。

    y = xw+b

    x=先设这个数据集为一个长为任何长度,宽为28*28的矩阵。

    w=再设置权重参数wij,wij为长度为28*28,宽为10的矩阵。

    b=然后添加一个长度为10的偏置项

    然后通过交叉熵来作为损失函数,进行迭代,使损失函数逐步减小。

   

    代码实现:

    import tensorflow as tf

# 申请x占位符,None表示任意长度。

    x = tf.placeholder(tf.float32, [None, 28*28])

    w = tf.Variable(tf.zeros[28*28, 10])

    b = tf.Variable(tf.zeros[10])

    #建立方程 y = xw+b

    y = tf.nn.sotfmax(tf.matmul(x, w) + b)

    #申请对应的标签占位符

    y_ = tf.placeholder("float", [None, 10] )

    #交叉熵作为损失函数

    cross_entropy = tf.reduce_sum(y_*tf.log(y))

    #梯度下降算法 学习率=0.01

    train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

    init = tf.initialize_all_variables()

    #创建Session

    sess = tf.Session()

    #初始化所有参数

    sess.run(init)

    #导入数据集 数据集地址在本地的/home/enche/MNIST_data目录下

    import tensorflow.examples.tutorials.mnist.input_data as input_data

    mnist = input_data.read_data_sets("/home/enche/MNIST_data", one_hot = True)

    #将x和y_进行替换成训练数据

    for i in range(1000):

        batch_xs, batch_ys = minist.train.next_batch(100)

        sess.run(train_step, feed_dict = {x:batch_xs, y_:batch_ys})

    #打印变量

print sess.run(w)


问题:在打印变量时,因为默认情况不会打印出所有矩阵参数,可以通过设置

import numpy as np

np.set_printoptions(threshold=np.inf)

实现打印所有内容,解决出现省略号的问题。




### TensorFlow 2.18.0 版本特性 TensorFlow 2.18.0 是一个重要的更新版本,在性能优化、新功能引入以及稳定性提升方面做了大量改进。此版本继续遵循 Apache 2.0 开源许可协议,由谷歌大脑团队负责开发和维护[^2]。 #### 性能增强 - 改进了 Keras Tuner 的效率,使得超参数调优过程更加高效。 - 对分布式训练的支持进行了多项优化,提高了多机多卡场景下的吞吐量。 #### 新增功能 - 增加了对更多硬件平台的支持,包括最新的 NVIDIA A100 Tensor Core GPUs 和 AMD ROCm 平台。 - 强化了 SavedModel API 功能,允许更灵活地导出模型并集成到生产环境中。 #### 工具链升级 - 更新了 TFRecord 文件读写工具,提供了更好的数据处理能力[^3]。 --- ### 安装方法 为了确保最佳体验,推荐使用 Python 3.6 至 3.9 版本来安装 TensorFlow 2.18.0。对于 Python 3.9 用户来说,至少需要安装 TensorFlow 2.5 或以上版本;而对于 Python 3.8,则需使用 TensorFlow 2.2 或更高版本。 可以通过 Pip 进行在线安装: ```bash pip install tensorflow==2.18.0 ``` 考虑到不同操作系统的要求差异: - **Ubuntu**: 需要 16.04 及以上的发行版; - **Windows**: Win7 及其后续版本均被支持; - **macOS**: 推荐使用 Sierra (10.12.6) 或更新版本,并且需要注意的是 macOS 不提供 GPU 加速支持。 为了避免潜在的依赖冲突问题,强烈建议在一个全新的虚拟环境中执行上述操作[^4]。 --- ### 使用教程概览 初次接触 TensorFlow 2.x 系列产品的开发者可以从官方提供的入门指南入手,了解如何构建基本神经网络结构、加载预训练权重等内容。具体而言,可以参考如下几个核心模块的学习路径: - `tensorflow.keras`:用于快速搭建各种类型的深度学习模型。 - `tf.data.Dataset`:实现高效的输入管道设计。 - `tf.distribute.Strategy`:探索多种分布策略以加速大规模计算任务。 此外,还可以通过 Jupyter Notebook 形式的实例代码加深理解,比如利用 MNIST 数据集完成手写字体识别项目等实践案例。 --- ### 更新日志摘要 相比于前一版本,除了前述提到的功能性和非功能性变更外,还修复了一些已知 bug,提升了整体稳定性和安全性。详细的改动记录可以在 GitHub 发布页面找到完整的 changelog 文档链接[^1]。
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值