《简单粗暴TensorFlow2.0》—学习笔记_tensorflow2.0笔记 github-优快云博客

本文链接：https://blog.youkuaiyun.com/studyeboy/article/details/103902881

本文全面介绍了TensorFlow 2.0的基础安装、环境配置及核心功能，涵盖模型建立、训练、优化到部署全流程。深入解析了多层感知机、卷积神经网络、循环神经网络等模型，并探讨了信息论、深度强化学习等高级主题。同时，提供了TensorFlow常用模块的使用指南，包括TensorBoard可视化、数据预处理、模型导出及大规模训练技巧。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章目录

基础
部署
大规模训练与加速
- TensorFlow分布式训练
- 使用TPU训练TensorFlow模型
扩展
- TensorFlow Hub模型复用
- TensorFlow Datasets数据集载入

中文版手册：简单粗暴 TensorFlow 2.0 | A Concise Handbook of TensorFlow 2.0
github：snowkylin/tensorflow-handbook
TensorFlow 2.0是基于Keras和Eager Execution（即时运行）模式。

基础

安装和环境配置

pycharm

TensorFlow基础

在这里插入图片描述

TensorFlow模型建立与训练

在这里插入图片描述

模型（Model）与层（Layer）

在这里插入图片描述

多层感知机（MLP）

在这里插入图片描述

交叉熵（cross entropy）用来求目标与预测值之间的差距。

信息论

信息量

熵

相对熵（KL散度）
相对熵又称KL散度,如果我们对于同一个随机变量 x 有两个单独的概率分布 P(x) 和 Q(x)，我们可以使用 KL 散度（Kullback-Leibler (KL) divergence）来衡量这两个分布的差异。

交叉熵

机器学习中交叉熵的应用

单分类问题中的应用

多分类问题中的应用

在这里插入图片描述

卷积神经网络（CNN）

在这里插入图片描述

循环神经网络（RNN）

在这里插入图片描述

深度强化学习（DRL）

在这里插入图片描述

Keras Pipeline*

在这里插入图片描述

自定义层、损失函数和评估指标*

在这里插入图片描述

TensorFlow 常用模块

tf.train.Checkpoint：变量的保存与恢复

在这里插入图片描述

TensorBoard：训练过程可视化

在这里插入图片描述

Permission denied: ‘/tmp/.tensorboard-info/pid-30349.info’

在这里插入图片描述

tf.data：数据的构建与预处理

在这里插入图片描述

TFRecord：TensorFlow数据集存储格式

在这里插入图片描述

@tf.function：Graph Execution模式 *

在这里插入图片描述

tf.TensorArray：TensorFlow动态数组 *

在这里插入图片描述

tf.config：GPU的使用与分配 *

在这里插入图片描述

部署

TensorFlow模型导出

在这里插入图片描述

TensorFlow Serving

在这里插入图片描述

TensorFlow Lite

在这里插入图片描述

TensorFlow in JavaScript

在这里插入图片描述

<html>

<head>
    <script src="https://unpkg.com/@tensorflow/tfjs"></script>
    <script src="https://unpkg.com/@tensorflow-models/mobilenet"> </script>
</head>

<video width=400 height=300></video>
<p></p>
<img width=400 height=300 />

<script>
    const video = document.querySelector('video')
    const image = document.querySelector('img')
    const status = document.querySelector("p")

    const canvas = document.createElement('canvas')
    const ctx = canvas.getContext('2d')

    let model

    main()

    async function main () {
        status.innerText = "Model loading..."
        model = await mobilenet.load()
        status.innerText = "Model is loaded!"

        const stream = await navigator.mediaDevices.getUserMedia({ video: true })
        video.srcObject = stream
        await video.play()
        
        canvas.width = video.videoWidth
        canvas.height = video.videoHeight

        refresh()
    }

    async function refresh(){
        ctx.drawImage(video, 0,0)
        image.src = canvas.toDataURL('image/png')
        
        await model.load()
        const predictions = await model.classify(image)
        
        const className = predictions[0].className
        const percentage = Math.floor(100 * predictions[0].probability)
        
        status.innerHTML = percentage + '%' + ' ' + className
        
        setTimeout(refresh, 100)
    }

</script>

</html>

在这里插入图片描述

<html>
<head>
    <script src="http://unpkg.com/@tensorflow/tfjs/dist/tf.min.js"></script>
    <script>
    const xsRaw = tf.tensor([2013, 2014, 2015, 2016, 2017])
    const ysRaw = tf.tensor([12000, 14000, 15000, 16500, 17500])

    // 归一化
    const xs = xsRaw.sub(xsRaw.min())
                    .div(xsRaw.max().sub(xsRaw.min()))
    const ys = ysRaw.sub(ysRaw.min())
                    .div(ysRaw.max().sub(ysRaw.min()))

    const a = tf.scalar(Math.random()).variable()
    const b = tf.scalar(Math.random()).variable()

    // y = a * x + b.
    const f = (x) => a.mul(x).add(b)
    const loss = (pred, label) => pred.sub(label).square().mean()

    const learningRate = 1e-3
    const optimizer = tf.train.sgd(learningRate)

    // 训练模型
    for (let i = 0; i < 10000; i++) {
        optimizer.minimize(() => loss(f(xs), ys))
    }

    // 预测
    console.log(`a: ${a.dataSync()}, b: ${b.dataSync()}`)
    const preds = f(xs).dataSync()
    const trues = ys.arraySync()
    preds.forEach((pred, i) => {
        console.log(`x: ${i}, pred: ${pred.toFixed(2)}, true: ${trues[i].toFixed(2)}`)
    })
    </script>
</head>
</html>

在这里插入图片描述