Tensorflow基礎

1、深度學習介紹

深度學習，如深度神經網絡、卷積神經網絡和遞歸神經網絡已被應用
計算機視覺、語音識別、自然語言處理、音頻識別與生物信息學等領域
并獲取了極好的效果。

2、認識Tensorflow

深度學習框架

Tensorflow特點

1、真正的可移植性
引入各種計算設備的支持包括CPU/GPU/TPU，以及能夠很好地運行在移動端，
如安卓設備、ios、樹莓派等等

2、多語言支持
Tensorflow 有一個合理的c++使用界面，也有一個易用的python使用界面來構建和
執行你的graphs，你可以直接寫python/c++程序。

3、高度的靈活性與效率
TensorFlow是一個采用數據流圖（data flow graphs），用于數值計算的開源軟件庫
能夠靈活進行組裝圖，執行圖。隨著開發的進展，Tensorflow的效率不算在提高

4、支持
TensorFlow 由谷歌提供支持，谷歌投入了大量精力開發 TensorFlow，它希望
TensorFlow 成為機器學習研究人員和開發人員的通用語言

3、Tensorflow的安裝

開啟GPU支持(不推薦)

如果系統沒有NVIDIA?GPU，請構建并安裝CPU版本

Ubuntu:

安裝CUDA和cuDNN

Mac:

安裝CUDA和cuDNN

安裝中如果遇到什么問題，可以參考：
安裝 TensorFlow
https://files.pythonhosted.org/packages/d4/https://www.tensorflow.org/install#tensorflow
TensorFlow和PaddlePaddle不兼容問題（serialized_options）
https://blog.csdn.net/weixin_43336281/article/details/87374007

4、Tensorflow初體驗

加法運算

Tensorflow加法運算

5、Tensorflow進階

1、圖

圖默認已經注冊，一組表示 tf.Operation計算單位的對象和tf.Tensor
表示操作之間流動的數據單元的對象

獲取調用：

tf.get_default_graph() op、sess或者tensor 的graph屬性

圖的創建

tf.Graph()

使用新創建的圖

g = tf.Graph() with g.as_default(): a = tf.constant(1.0) assert c.graph is g

2、會話

tf.Session()
運行TensorFlow操作圖的類，使用默認注冊的圖（可以指定運行圖）

會話資源
會話可能擁有很多資源，如 tf.Variable，tf.QueueBase
和tf.ReaderBase，會話結束后需要進行資源釋放

sess = tf.Session() sess.run(…) sess.close()
使用上下文管理器
with tf.Session() as sess:
sess.run(…)

config=tf.ConfigProto(log_device_placement=True)
交互式：tf.InteractiveSession()

會話的run()方法

run(fetches, feed_dict=None,graph=None)
運行ops和計算tensor
嵌套列表，元組，
namedtuple，dict或OrderedDict(重載的運算符也能運行)

feed_dict 允許調用者覆蓋圖中指定張量的值,提供給
placeholder使用

返回值異常

RuntimeError：如果它Session處于無效狀態（例如已關閉）。 TypeError：如果fetches或feed_dict鍵是不合適的類型。 ValueError：如果fetches或feed_dict鍵無效或引用 Tensor不存在。

3、張量

1、張量的階和數據類型

Tensorflow基本的數據格式

一個類型化的N維度數組（tf.Tensor）

三部分，名字，形狀，數據類型

張量的階

張量的數據類型

張量屬性

graph 張量所屬的默認圖

op 張量的操作名

name 張量的字符串描述

shape 張量形狀

張量的動態形狀與靜態形狀

TensorFlow中，張量具有靜態形狀和動態形狀

靜態形狀：
創建一個張量或者由操作推導出一個張量時,初始狀態的形狀

tf.Tensor.get_shape:獲取靜態形狀 tf.Tensor.set_shape():更新Tensor對象的靜態形狀，通常用于在不能直接推 斷的情況下

動態形狀：
一種描述原始張量在執行過程中的一種形狀

tf.reshape:創建一個具有不同動態形狀的新張量

要點

1、轉換靜態形狀的時候，1-D到1-D，2-D到2-D，不能跨階數改變形狀

2、 對于已經固定或者設置靜態形狀的張量／變量，不能再次設置靜態形狀

3、tf.reshape()動態創建新張量時，元素個數不能不匹配

2、張量操作

張量操作-生成張量

正態分布

概率密度函數為正態分布的期望值μ決定了其位置，其標準差σ
決定了分布的幅度。當μ = 0,σ = 1時的正態分布是標準正態分布。

張量操作-張量變換

提供給Tensor運算的數學函數

算術運算符
基本數學函數
矩陣運算
減少維度的運算(求均值)
序列運算

4、變量

1、變量的創建

2、變量的初始化

3、變量的作用域
變量也是一種OP，是一種特殊的張量，能夠進行存儲持久化，它的
值就是張量。

變量的創建

tf.Variable(initial_value=None,name=None)

創建一個帶值initial_value的新變量assign(value) 為變量分配一個新值 返回新值 eval(session=None) 計算并返回此變量的值name屬性表示變量名字

變量的初始化

tf.global_variables_initializer()
添加一個初始化所有變量的op

在會話中開啟

可視化學習Tensorboard

數據序列化-events文件
TensorBoard 通過讀取 TensorFlow 的事件文件來運行

tf.summary.FileWriter(’/tmp/tensorflow/summary/test/’, graph=
default_graph)
返回filewriter,寫入事件文件到指定目錄(最好用絕對路徑)，以提供給tensorboard使用

開啟
tensorboard --logdir=/tmp/tensorflow/summary/test/

一般瀏覽器打開為127.0.0.1:6006

注：修改程序后，再保存一遍會有新的事件文件，打開默認為最新

增加變量顯示

目的：觀察模型的參數、損失值等變量值的變化。
1、收集變量

tf.summary.scalar(name=’’,tensor) 收集對于損失函數和準確率 等單值變量,name為變量的名字，tensor為值 tf.summary.histogram(name=‘’,tensor) 收集高維度的變量參數 tf.summary.image(name=‘’,tensor) 收集輸入的圖片張量能顯示圖片

2、合并變量寫入事件文件

merged = tf.summary.merge_all() 運行合并：summary = sess.run(merged)，每次迭代都需運行 添加：FileWriter.add_summary(summary,i),i表示第幾次的值

5、模型保存和加載

tf.train.Saver(var_list=None,max_to_keep=5)

var_list:指定將要保存和還原的變量。它可以作為一個 dict或一個列表傳遞. max_to_keep：指示要保留的最近檢查點文件的最大數量。 創建新文件時，會刪除較舊的文件。如果無或0，則保留所有 檢查點文件。默認為5（即保留最新的5個檢查點文件。）

6、自定義命令行參數

自定義命令行參數

1.
2、
tf.app.flags.,在flags有一個FLAGS標志，它在程序中可以調用到我們
前面具體定義的flag_name

3、
通過tf.app.run()啟動main(argv)函數

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的python人工智能——深度学习——TensorFlow基本介绍的全部內容，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。