TensorFlow_01

最新推荐文章于 2024-05-29 00:15:00 发布

原创最新推荐文章于 2024-05-29 00:15:00 发布 · 425 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#TensorFlow

深度学习同时被 2 个专栏收录

2 篇文章

订阅专栏

tensorflow之构建自己的数据集

1 篇文章

订阅专栏

本教程介绍了TensorFlow的基本安装与使用方法，包括环境搭建、核心概念解析及简单的线性回归实例。详细讲述了如何创建和运行计算图，使用变量、feed和fetch进行数据处理，并通过实例演示了如何利用TensorFlow进行线性模型训练。

部署运行你感兴趣的模型镜像

TensorFlow安装

pip install TensorFlow (CPU版本)
pip install TensorFlow-gpu (GUP版本，需要一些依赖)
pip uninstall TensorFlow (卸载，需要更新的时候只要先卸载再安装就可以)

TensorBoard使用

TensorBoard是TensorFlow的可视化训练工具
在工具内可以操控训练模型
+ python安装路径执行：tensorboard –logdir=path(生成的Tensorboard文件所在路径）
+ 然后会出现链接的网址如：http://10.31.70.249:6006
+ 在谷歌浏览器里输入网址即可打。只输入10.31.70.36:600

TensorFlow基本概念

使用图（graphs）来表示计算任务
在被称之为会话（Session）的上下文（context）中执行图
使用tensor表示数据
通过变量（Variable）维护状态
使用feed和fetch可以为任意的操作赋值或者从中获取数据

TensorFlow是一个编程系统，使用图（graphs）来表示计算任务，图（graphs）中的节点称之为op（operation），一个op获得0个或多个Tensor，执行计算，产生0个或多个Tensor。Tensor看作是一个n维的数组或列表。图必须在会话（Seeion）里被启动。

创建图，启动图-01

import tensorflow as tf

# 创建一个常量op
m1 = tf.constant([[3, 3]])
# 创建一个常量op
m2 = tf.constant([[2], [3]])
# 创建一个矩阵乘法op，吧m1、m2传入
product = tf.matmul(m1, m2)
# 尝试输出，得到一下结果
print(product)  # Tensor("MatMul:0", shape=(1, 1), dtype=int32)

# 定义一个会话Session，启动默认图
# 普通用法
sess = tf.Session()
result = sess.run(product)
print(result)
sess.close()

# 定义一个会话Session，启动默认图
# 推荐用法 
with tf.Session() as sess:
    # 调用Session的run方法来执行矩阵乘法op
    # run(product)触发了图中的三个op
    result = sess.run(product)
    print(result)  # [[15]]

"""
API记录
tf.constant([[2], [3]])  # 创建一个常量OP
sess = tf.Session()  # 初始化一个会话
sess.run(product)  # 运行常量计算
sess.close()  # 关闭会话
tf.matmul(m1, m2)  # 创建一个矩阵乘法op，吧m1、m2传入
"""

变量-02

import tensorflow as tf

x = tf.Variable([1, 2])
a = tf.constant([3, 3])
# 增加一个减法OP
sub = tf.subtract(x, a)
# 增加一个加法OP
add = tf.add(x, sub)
# 在变量使用前，需要初始化（计算），该方法是全局初始化
init = tf.global_variables_initializer()
# 视图输出
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(sub))  # [-2 -1]
    print(sess.run(add))  # [-1  1]

# name指定赋值到哪个参数（python基础）
# 创建一个变量初始化为0
state = tf.Variable(0, name='counter')
# 创建一个OP，作用是使state+1
new_value = tf.add(state, 1)
# 赋值OP（tensorflow中变量不能直接=，需要掉用赋值函数）
# 第二个参数 赋值给第一个参数
update = tf.assign(state, new_value)
# 变量初始化（全局）
init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    print(sess.run(state))
    for _ in range(5):
        sess.run(update)
        print(sess.run(state))  # 0 1 2 3 4 5

"""
API记录
tf.Variable([1, 2])  # 定义一个变量
tf.constant([3, 3])  # 定义一个常量
tf.subtract(x, a)   # 一个减法OP
tf.add(x, sub)  # 一个加法OP
tf.global_variables_initializer()  # 变量初始化（全局），变量需要初始化，常量不用
tf.assign(state, new_value)  # 赋值OP（tensorflow中变量不能直接=，需要掉用赋值函数） 第二个参数 赋值给第一个参数
"""

Fetch and Feed -03

import tensorflow as tf

# Fetch 多个参数会话
input1 = tf.constant(3.0)
input2 = tf.constant(2.0)
input3 = tf.constant(5.0)

add = tf.add(input2, input3)
mu1 = tf.multiply(input1, add)

with tf.Session() as sess:
    result = sess.run([mu1, add])
    print(result)  # [21.0, 7.0]

# Feed  动态参数会话
# 创建占位符（32位）
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)

output = tf.multiply(input1, input2)

with tf.Session() as sess:
    # feed的数据以字典的形式传入
    print(sess.run(output, feed_dict={input1: [7.0], input2: [2.0]}))  # [14.]


"""
API记录
result = sess.run([mu1, add])  # Fetch传入形式
tf.placeholder(tf.float32)  # 创建占位符（32位）
sess.run(output, feed_dict={input1: [7.0], input2: [2.0]})  # Feed的数据以字典的形式传入
"""

TensorFlow简单示范 -04

import tensorflow as tf
import numpy as np

# 使用numpy生成100个随机点
x_data = np.random.rand(100)
# y_data = 真实值
y_data = x_data * 0.1 + 0.2

# 构造一个线性模型
b = tf.Variable(0.)
k = tf.Variable(0.)
# y = 预测值（上下公式保持一致）
y = k * x_data + b

# 二次代价函数（样本值减去预测值->求平方->平均值）
# 影响loss值的变量是：k，b
loss = tf.reduce_mean(tf.square(y_data - y))
# 定义一个梯度下降法来进行训练的优化器（学习率，值越大越不精确，但不能<=0）
optimizer = tf.train.GradientDescentOptimizer(0.1)
# 最小化代价函数
train = optimizer.minimize(loss)

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

with tf.Session() as sess:
    sess.run(init)
    for step in range(200):
        # 执行顺序：梯度下降法》最小化代价函数》二次代价函数
        sess.run(train)
        if step % 20 == 0:  # 间隔20打印一次
            print(step, sess.run([k, b]))
            # 0[0.027093565, 0.05022619]
            # 20[0.104833506, 0.19686383]
            # 40[0.104043014, 0.19781029]
            # 60[0.103237, 0.19824797]
            # 80[0.10259131, 0.19859748]
            # 100[0.102074385, 0.19887725]
            # 120[0.10166061, 0.19910121]
            # 140[0.10132934, 0.19928049]
            # 160[0.101064175, 0.19942401]
            # 180[0.1008519, 0.19953892]#
            # 预测值慢慢的接近真实值

"""
API记录
tf.square(y_data - y)  # 求平方  
tf.reduce_mean()  # 求平均值
loss = tf.reduce_mean(tf.square(y_data - y))  # 二次代价函数
optimizer = tf.train.GradientDescentOptimizer(0.3)  # 梯度下降法
train = optimizer.minimize(loss)  # 最小化代价函数
"""