Tensorflow-简单使用

本文我们通过利用Tensorflow实现线性回归简单demo,来了解tensorflow的简单使用

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

# 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 = x_data * 0.1 + 0.300

# 构造一个线性模型
# 
b = tf.Variable(tf.zeros([1]))
W = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
y = 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(0, 201):
    sess.run(train)
    if step % 20 == 0:
       print (step, sess.run(W), sess.run(b))

plt.plot(x_data, y_data, 'ro')
plt.plot(x_data, sess.run(W) * x_data + sess.run(b))
plt.legend()
plt.show()

结果为:

0 [ 0.44483739] [ 0.15947637]
20 [ 0.18209828] [ 0.25776637]
40 [ 0.12043458] [ 0.2894879]
60 [ 0.10508627] [ 0.29738349]
80 [ 0.10126598] [ 0.29934874]
100 [ 0.10031512] [ 0.29983792]
120 [ 0.10007843] [ 0.29995966]
140 [ 0.10001951] [ 0.29998997]
160 [ 0.10000486] [ 0.29999751]
180 [ 0.10000122] [ 0.29999939]
200 [ 0.10000031] [ 0.29999986]

这里写图片描述

### 配置和使用 Tensorflow-CPU 与 TensorFlow-DirectML-Plugin 为了配置并使用 `tensorflow-cpu` 和 `TensorFlow-DirectML-Plugin` 来进行深度学习模型训练,需遵循特定的安装流程以及环境设置。 #### 安装依赖项 确保环境中已正确安装 Python 版本,并建议创建一个新的虚拟环境来管理项目所需的包。这有助于避免不同版本之间的冲突[^3]。 ```bash python -m venv directml_env source directml_env/bin/activate # Linux or macOS directml_env\Scripts\activate # Windows ``` #### 安装 TensorFlow CPU 及 DirectML 插件 按照官方指导文档中的说明,先安装兼容版本的 `tensorflow-cpu`,再安装 `tensorflow-directml-plugin`: ```bash pip install tensorflow-cpu==2.10 pip install tensorflow-directml-plugin ``` 上述命令会下载并安装指定版本的 TensorFlow CPU 库及其对应的 DirectML 加速插件。 #### 设置环境变量 (可选) 某些情况下可能需要调整系统的环境路径以支持 DirectML 的正常工作。具体操作取决于操作系统类型和个人偏好。通常来说,默认配置已经足够满足大多数需求[^2]。 #### 编写代码示例 下面是一个简单的例子展示如何加载数据集、定义模型结构并通过 GPU 或者集成显卡加速来进行训练过程: ```python import tensorflow as tf from tensorflow.keras import layers, models # 检查是否能够检测到 DirectML 设备 physical_devices = tf.config.experimental.list_physical_devices('DML') print("Detected DML devices:", physical_devices) # 构建简单卷积神经网络模型 model = models.Sequential([ layers.Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(28, 28, 1)), layers.MaxPooling2D(pool_size=(2, 2)), layers.Flatten(), layers.Dense(64, activation='relu'), layers.Dropout(0.5), layers.Dense(10, activation='softmax') ]) # 使用 MNIST 数据集作为测试样本 (x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data() x_train = x_train.reshape(-1, 28, 28, 1).astype('float32') / 255. x_test = x_test.reshape(-1, 28, 28, 1).astype('float32') / 255. # 编译模型 model.compile(optimizer='adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), metrics=['accuracy']) # 开始训练 history = model.fit(x=x_train, y=y_train, epochs=5, validation_split=0.2) ``` 此脚本会在控制台输出可用的 DirectML 设备信息,并尝试通过这些设备执行计算任务。如果一切顺利,则可以观察到性能上的显著提升。
评论
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