TensorFlow入门（一）——了解和运行 TensorFlow

最新推荐文章于 2024-02-26 14:12:34 发布

原创最新推荐文章于 2024-02-26 14:12:34 发布 · 1.5k 阅读

0 ·

CC 4.0 BY-SA版权

TensorFlow 同时被 2 个专栏收录

6 篇文章

订阅专栏

深度学习

5 篇文章

订阅专栏

TensorFlow是一个采用数据流图，用于数值计算的开源软件库。它不仅适用于机器学习和深度神经网络，还可以应用于广泛的计算领域。该工具具备高度灵活性、真正的可移植性、自动求微分等特点，能够支持多语言，并实现性能最优化。

关于 TensorFlow

TensorFlow是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU（或GPU），服务器，移动设备等等。TensorFlow 最初由Google大脑小组（隶属于Google机器智能研究机构）的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。

什么是数据流图（Data Flow Graph）?

数据流图用“结点”（nodes）和“线”(edges)的有向图来描述数学计算。

“节点” 一般用来表示施加的数学操作，但也可以表示数据输入（feed in）的起点/输出（push out）的终点，或者是读取/写入持久变量（persistent variable）的终点。
“线”表示“节点”之间的输入/输出关系。这些数据“线”可以输运“size可动态调整”的多维数据数组，即“张量”（tensor）。张量从图中流过的直观图像是这个工具取名为“Tensorflow”的原因。一旦输入端的所有张量准备好，节点将被分配到各种计算设备完成异步并行地执行运算。

这里写图片描述

TensorFlow的特征

高度的灵活性：
TensorFlow 不是一个严格的“神经网络”库。只要你可以将你的计算表示为一个数据流图，你就可以使用Tensorflow。
真正的可移植性（Portability）:
Tensorflow可以运行在台式机、服务器、手机移动等等设备上。而且它可以充分使用计算资源，在多CPU和多GPU上运行。
自动求微分：
基于梯度的机器学习算法会受益于Tensorflow自动求微分的能力。只需要定义预测模型的结构，将这个结构和目标函数（objective function）结合在一起，并添加数据，Tensorflow将自动计算相关的微分导数。
多语言支持：
Tensorflow 有一个合理的c++使用界面，也有一个易用的python使用界面来构建和执行你的graphs。
性能最优化：
Tensorflow 给予了线程、队列、异步操作等以最佳的支持，可以硬件的计算潜能全部发挥出来。

第一行TensorFlow代码
Python API 撰写的 TensorFlow 示例代码：这段很短的 Python 程序生成了一些三维数据, 然后用一个平面拟合它。

#!/usr/bin/env python3
import tensorflow as tf
import numpy as np

# 使用 NumPy 生成假数据(phony data), 总共 100 个点.
x_data = np.float32(np.random.rand(2, 100)) # 随机输入
y_data = np.dot([0.100, 0.200], x_data) + 0.300

# 构造一个线性模型
# 
b = tf.Variable(tf.zeros([1]))
W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))
y = tf.matmul(W, x_data) + b

# 最小化方差
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)

# 初始化变量
init = tf.initialize_all_variables()

# 启动图 (graph)
sess = tf.Session()
sess.run(init)

# 拟合平面
for step in range(201):
    sess.run(train)
    if step % 20 == 0:
        print(step,sess.run(W),sess.run(b))     

# 得到最佳拟合结果 W: [[0.100  0.200]], b: [0.300]