Python神經網絡1之TensorFlow

• 深度學習介紹
• • 深度學習與機器學習的區別
  • • 特征提取方面
    • 數據量和計算性能方面要求
    • 算法代表
  • 深度學習框架介紹
  • • TensorFlow的安裝
• TensorFlow框架介紹
• • TensorFlow結構分析
  • • 案例加法展示
  • 圖與TensorBoard
  • • 圖相關操作
    • • 默認圖
      • 創建圖
    • TensorBoard：可視化學習
    • OP

深度學習介紹

深度學習與機器學習的區別

特征提取方面

機器學習的特征工程步驟是要靠手動完成的，需要大量領域的專業知識

深度學習通常用多個層組成，它們通常將更簡單的模型組合在一起，將數據從一層傳遞到另一層來構建更復雜的模型，通過訓練大量數據自動得出模型，不需要人工特征提取環節

數據量和計算性能方面要求

深度學習需要大量的訓練數據集

訓練深度神經網絡需要大量的算力

算法代表

機器學習 -樸素貝葉斯、決策樹

深度學習 -神經網絡

深度學習框架介紹

框架名主語言從語言靈活性上手難易開發者

Tensorflow	C++	cuda/python	好	難	Google
PyTorch	python	C/C++	好	中等	FaceBook
Caffee	C++	cuda/python/Matlab	一般	中等	賈楊清
MXNet	c++	cyda/R/julia	好	中等	李沐和陳天奇等
Torch	lua	c/cuda	好	中等	FaceBook
Theano	python	C++/cuda	好	易	蒙特利爾理工學院

總結：

最常用的框架當數TensorFlow和Pytorch,而Caffee和Caffee2次之

PyTorch和Torch更適用于學術研究，TensorFlow，Caffee，Caffee2更適用于工業界的生產環境部署

Caffee適用于處理靜態圖像，Torch和PyTorch更適用于動態圖像，TensorFlow在兩種情況下都很實用

TensorFlow和Caffee2可在移動端實用

TensorFlow的安裝

CPU與GPU的對比
CPU：核芯的數量更少，但是每一個核芯的速度更快，性能更強，更適用于處理連續性的任務
GPU：核芯的數量更多，但是每一個核芯的處理速度較慢，更適用于并行任務

CPU版本
macOS安裝

pip install tensorflow==1.8 -i https://mirrors.aliyun.com/pypi/simple

TensorFlow框架介紹

TensorFlow結構分析

TensorFlow程序通常被組織成一個構建圖階段和一個執行圖階段
在構建階段，數據與操作的執行步驟被描述成一個圖
在執行階段，使用會話知心構建好的圖中的操作

• 構建圖----類似流程圖，定義數據和操作
• 執行圖----調用各方資源，將定義好的數據和操作運行起來

圖和會話：

圖：這是TensorFlow將計算表示為指令之間的依賴關系的一種表示法

會話：TensorFlow跨一個或多個本地或遠程設備運行數據流圖的機制

張量：TensorFlow中的基本數據對象

節點：提供圖當中執行的操作
TensorFlow是一個采用數據流圖，用于數值計算的開源框架
節點在圖中表示數學操作，線則表示在節點間相互聯系的多維數據數組，即張量

案例加法展示

pycharm上主流是2.x版本的，添加
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
這兩行代碼將2.x版本變成1.x版本來學習

import tensorflow.compat.v1 as tf tf.disable_v2_behavior() import os os.environ['TF_CPP_MIN_LOG_LEVEL']='2'def tensorflow_demo01(): # Tensorflow 實現加法運算 a=tf.constant(2); b=tf.constant(3); c=a+b; print(c) #開啟會話 with tf.Session() as sess: c_t=sess.run(c) print("c_value:",c_t) return None; if __name__=='__main__': tensorflow_demo01();

圖與TensorBoard

簡單來說，圖結構 就是 圖數據+操作

圖相關操作

默認圖

通常TensorFlow會默認幫我們創建一張圖
查看默認圖的兩種方法：

調用tf.get_default_graph()訪問，

op,sess,都含有graph屬性，默認都在一張圖中

def graph_tensorflow_demo02(): a=tf.constant(2) b=tf.constant(3) c=a+b print("c:",c) #查看圖屬性 #方法一：調用方法 g_graph=tf.get_default_graph() print("g的圖屬性：",g_graph) with tf.Session() as sess: c_t=sess.run(c) print("c_t:",c_t) #方法二：查看屬性 print("session的圖屬性：",sess.graph) print("a_g:",a.graph) print("b_g:",b.graph) return None;

創建圖

• 通過tf.Graph()自定義創建圖
• 如果要在這張圖中創建OP,典型用法就是使用tf.Graph.as_default()上下文管理器

不能在自定義圖中運行數據和操作

def diy_graph_tensorflow_demo03():#自定義圖new_Graph=tf.Graph()a=tf.constant(20)b=tf.constant(30)c=a+b#在自己的圖中定義數據和操作with new_Graph.as_default():a_new=tf.constant(20)b_new=tf.constant(30)c_new=a_new+b_new;print("c_new:\n",c_new)print("a_graph:\n",a_new.graph)print("b_graph:\n",b_new.graph)#開啟會話with tf.Session() as sess:c_value=sess.run(c)print("c_value:\n",c_value)#開啟new_Graph會話with tf.Session(graph=new_Graph) as new_sess:c_new_value=new_sess.run(c_new)print("c_new_value:\n",c_new_value)return None;

TensorBoard：可視化學習

實現程序可視化過程：

數據序列化-events文件
tf.summary.FileWriter(path,graph=sess.graph)

啟動TensorBoard
tensorboard --logdir=path

def demo03():a=tf.constant(10)b=tf.constant(20)print("a\n", a)print("b\n", b)c=a+b#開啟會話with tf.Session() as sess:c_value=sess.run(c)print("c_value:\n",c_value)tf.summary.FileWriter("./tmp/summary",graph=sess.graph)

OP

數據：Tensor對象
操作：Oeration對象 -OP

常見OP

操作函數操作對象

tf.constant(Tensor對象)	輸入Tensor對象 —Constant -輸出 Tensor對象
tf.add(Tensor對象1,Tensor對象2)	輸入Tensor對象1，Tensor對象2 —Add對象 -輸出 Tensor對象3

指令名稱
一張圖對應一個命名空間
tf.Graph對象為其包含的tf.Operation對象定義的一個命名空間。用戶可以指定描述性名稱，使程序閱讀起來更輕松

def demo04():a=tf.constant(1,name="a")b=tf.constant(2,name="b")print("a\n",a)print("b\n",b)c=tf.add(a,b,name="c")print("c:\n",c)with tf.Session() as sess:c_value=sess.run(c)tf.summary.FileWriter("./tmp/summary",graph=sess.graph)print("c_value:\n",c_value)

總結

以上是生活随笔為你收集整理的Python神经网络1之TensorFlow的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。