TensorFlow 2.0

前言

Tensorflow是Google推出的機器學習開源神器，對Python有著良好的語言支持，支持CPU，GPU和Google TPU等硬件，并且已經擁有了各種各樣的模型和算法。目前，Tensorflow已被廣泛應用于文本處理，語音識別和圖像識別等多項機器學習和深度學習領域。基礎框架分為三層：應用層、接口層和核心層。
應用層：提供了機器學習相關的訓練庫、預測庫和針對Python、C++和Java等變成語言的編程環境，類似于web系統的前端，主要實現了對計算圖的構造。
接口層：對Tensorflow功能模塊的封裝，便于其它語言平臺的調用。
核心層：最重要的部分，包括設備層、網絡層、數據操作層和圖計算層，執行應用層的計算。

設備層：包括Tensorflow在不同硬件設備上的實現，主要支持CPU、GPU和Mobile等設備，在不同硬件設備上實現計算命令的轉換，給上層提供統一的接口，實現程序的跨平臺功能。

網絡層：網絡層主要包括RPC和RDMA通信協議，實現不同設備之間的數據傳輸和更新，這些協議都會在分布式計算中用到。

數據操作層：以tensor為處理對象，實現tensor的各種操作和計算。

圖計算層：包括分布式計算圖和本地計算圖的實現，實現圖的創建、編譯、優化和執行等。

面對初學者的快速入門

我們首先將TensorFlow 2.0安裝的電腦中，我用的是Jupyter Notebook,來實現下述代碼的。我們首先將TensorFlow載入到程序，然后載入并準備好MNIST測試集。將樣本從整數轉換為浮點數。將模型的各層堆疊起來，以搭建tf.keras.Sequential模型，以訓練選擇優化器和損失函數，最后進行訓練并驗證模型。

import tensorflow as tf #程序中引入tensorflow庫

以下代碼為數據集的引入：

mnist = tf.keras.datasets.mnist #引入數據集 (x_train, y_train), (x_test, y_test) = mnist.load_data() x_train, x_test = x_train/255.0, x_test/255.0 model = tf.keras.models.Sequential([tf.keras.layers.Flatten(input_shape=(28,28)),tf.keras.layers.Dense(128, activation='relu'),tf.keras.layers.Dropout(0.2),tf.keras.layers.Dense(10, activation='softmax') ])model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])

tf.keras.models.Sequential（）用法

tf.keras.models.Sequential([網絡結構])#描述各層的網絡
網絡結構舉例：
①拉直層：tf.keras.layers.Flatten()# 拉直曾可以變換張量的尺寸，把輸入特征拉直為一維數組，其不含計算參數。
②全連接層tf.keras.layers.Dense(神經元的個數， activation=‘激活函數’，kernel_regularizer=‘正則化方式’)
③tf.keras.layers.Dropout()為將Dropout應用到輸入，其有三個參數。

model.fit(x_train, y_train, epochs=5) model.evaluate(x_test, y_test, verbose=2) Epoch 1/5 1875/1875 [==============================] - 4s 2ms/step - loss: 0.0669 - accuracy: 0.9783 Epoch 2/5 1875/1875 [==============================] - 4s 2ms/step - loss: 0.0604 - accuracy: 0.9808 Epoch 3/5 1875/1875 [==============================] - 5s 2ms/step - loss: 0.0551 - accuracy: 0.9822 Epoch 4/5 1875/1875 [==============================] - 4s 2ms/step - loss: 0.0502 - accuracy: 0.9836 Epoch 5/5 1875/1875 [==============================] - 4s 2ms/step - loss: 0.0449 - accuracy: 0.9853 313/313 - 1s - loss: 0.0682 - accuracy: 0.9802 - 600ms/epoch - 2ms/step[0.06823256611824036, 0.9801999926567078]

model.fit(訓練集的輸入特征，訓練集的標簽，batch_size #每個batch的大小，epochs,#迭代次數，validation_data=(測試集的輸入特征，測試集的標簽)，validation_split=從測試集中劃分多少比例給訓練集，validation_freq=測試的epoch間隔數)#用于執行訓練過程

model.evaluate(輸入測試數據， 真實標簽，控制日志顯示的方式（verbose:'0’不在標準輸出流輸出日志信息’1’輸出進度條記錄’2’每個epoch輸出一行記錄，默認值為1） )

總結

以上是生活随笔為你收集整理的1.TensorFlow快速入门的全部內容，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。