从零开始学TensorFlow 1
前言
只有光头才能变强。
文本已收录至我的GitHub仓库,欢迎Star:https://github.com/ZhongFuCheng3y/3y
最近在学习TensorFlow的相关知识,了解了TensorFlow一些基础的知识,现在周末有空了,就写写一些笔记,记录一下自己的成长~
总的来说,TensorFlow还是一个比较新的技术,有兴趣的同学不妨跟着我的笔记,一起学学呗(反正没坏处)~
知识背景:没有Python基础,没有机器学习基础,可以说是真正从零学TensorFlow的了。
一、安装Tensorflow所需要的环境
1.1安装Python环境
使用环境:Mac
Python有好多个版本,在Mac中自带的Python版本是2.7
,但相对而言比较老了。现在一般用Python3.x
了,本次下载的版本是3.5.6
我安装Python所使用方法的大致步骤:
- 安装Homebrew
- 安装pyenv
- 在
.bash_profile
添加环境变量 - 让环境变量生效
- 安装
3.X版本python
详情可参考如下的链接(总的来说,我根据下面的教程一下子就安装了我想要的Python版本,还是非常不错的。):
Mac下安装多版本python:
- https://www.cnblogs.com/webgiser/p/7463974.html
pyenv相关的命令(常用的pyenv命令):
- https://www.jianshu.com/p/af1f8d7b6b31
在安装Python的时候也发现了一个小知识点:
- Mac一般使用bash作为默认的shell,会有好几个环境变量,其中
etc/profile
是系统级的,还有几个用户级别的环境变量,比如说:~/.bash_profile
- 如果修改的是系统级别的环境变量,也就是
etc/profile
,在保存的时候只能是:wq
!覆盖,不然会出现readonly错误
(至于TensorFlow和numpy依赖的下载,这里我就不说了,就两条命令就搞掂啦)
1.2PyCharm编辑器
Java有IDEA
神器,同样的,Python也有PyCharm
,同样是JetBrains出产的。
我在之前从来没使用过PyCharm,也没写过一句的Python代码。
把Pycharm安装好了之后,我想当然就new project
去用了,然后就next,next,next
,当成IDEA来用。但发现了一个问题:我在之前明明装好了TensorFlow和numpy的依赖,在PyCharm环境下却识别不出来!在命令行窗口下,依赖是存在的!
后来才发现:如果用PyCharm去new一个project,会默认建一个解析器在当前的项目目录下。而PyCharm会遵守“就近原则”使用当前项目路径下的解析器。而我们添加的依赖(TensorFlow、numpy)是在我们安装Python的路径下的,这就导致了在命令行下找到依赖,而在PyCharm中找不到依赖。
解决也很简单:在PyCharm指定一下我们安装Python的路径,切换一下就好了。
参考资料:
关于pip安装第三方库,但pycharm中却无法识别的问题;以及pycharm安装第三方库的方法解析
- https://blog.csdn.net/weixin_41287260/article/details/83957731
二、体验TensorFlow
好的,我们现在已经安装好TensorFlow所需要的环境了!(看起来好简单,但还是花了我不少时间....)
首先我们来看一下这个例子可以干些什么:我们有非常多张的图片(数据集),这些图片有不同的类型(比如衣服、鞋子、裤子,一共有10种类型),把这些数据集扔进我们的神经网络里头,生成出模型。有了模型以后,当我们再将类似的图片扔进去,这个模型可以帮我们预测这张图片是衣服还是鞋子还是裤子。
随后,我跟着官网的代码跑了一(代码我都只是一步一步复制粘贴),最后跑起来:
# TensorFlow and tf.keras
import tensorflow as tf
from tensorflow import keras# Helper libraries
import numpy as npprint(tf.__version__)# 加载数据、区分出测试数据和训练数据
# 注意:如果已经下过,重复下载的话,可能会出现EOFError: Compressed file ended before the end-of-stream marker was reached错误fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()# 分类的列表
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat','Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']# 查看数据的值
print(train_images.shape) # 样本的shape(可以看出有多少条样本、维度)
print(len(train_labels)) # label的个数,有多少个样本,就应该有多少个label
print(train_labels) # label的值,对应上面分类列表(从0到9)# 对测试数据和训练数据进行预处理(实际上就是归一化)
train_images = train_images / 255.0
test_images = test_images / 255.0# 设置层 (初始处理)--- 建立神经层
model = keras.Sequential([keras.layers.Flatten(input_shape=(28, 28)),keras.layers.Dense(128, activation=tf.nn.relu),keras.layers.Dense(10, activation=tf.nn.softmax)
])# 损失函数、优化器、指标
model.compile(optimizer=tf.train.AdamOptimizer(),loss='sparse_categorical_crossentropy',metrics=['accuracy'])# 将训练集丢进去,训练出模型(Model)
model.fit(train_images, train_labels, epochs=5)# 将测试数据丢到模型中,评估一下得分(准确率)
test_loss, test_acc = model.evaluate(test_images, test_labels)
print('Test accuracy:', test_acc)# 评估完准确率以后,我们可以对测试数据进行预测
predictions = model.predict(test_images)# 选第一个样本预测后的得出最有可能结果
print(np.argmax(predictions[0]))# 对比结果
print(test_labels[0])
跑出来的结果:
(后期注释:这是TensorFlow的版本)
1.12.0
(后期注释:这是TensorFlow下载数据集的日志)
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-labels-idx1-ubyte.gz
32768/29515 [=================================] - 0s 3us/step
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-images-idx3-ubyte.gz26427392/26421880 [==============================] - 12s 0us/step
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-labels-idx1-ubyte.gz
8192/5148 [===============================================] - 0s 0us/step
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-images-idx3-ubyte.gz4423680/4422102 [==============================] - 2s 0us/step
(后期注释:样本的shape)
(60000, 28, 28)
(后期注释:样本有多少条,对应的label就有多少条)
60000
(后期注释:label的值是从0-9,表示有九种类别)
[9 0 0 ... 3 0 5]
(后期注释:开始训练)
Epoch 1/5
2019-02-19 14:00:46.842852: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA60000/60000 [==============================] - 4s 65us/step - loss: 0.4995 - acc: 0.8246
Epoch 2/5
60000/60000 [==============================] - 4s 62us/step - loss: 0.3734 - acc: 0.8655
Epoch 3/5
60000/60000 [==============================] - 4s 63us/step - loss: 0.3346 - acc: 0.8788
Epoch 4/5
60000/60000 [==============================] - 4s 63us/step - loss: 0.3102 - acc: 0.8861
Epoch 5/5
60000/60000 [==============================] - 4s 63us/step - loss: 0.2918 - acc: 0.891610000/10000 [==============================] - 0s 36us/step
(后期注释:预测出来的精确度)
Test accuracy: 0.8514
(后期注释:选第一个样本进行预测,并对比实际的结果)
9
9
参考资料:
Tensorflow学习笔记之一:训练你的第一个神经网络——基础分类
- https://www.jianshu.com/p/d4fb3a391d22
2.1总结一下使用TensorFlow的步骤
- 加载数据:使用dataset的api加载数据,并将数据集分成训练数据和测试数据
- 检查数据:检查dataSet的数据有没有问题(例如,样本的记录数、label的记录数等)
- 对数据预处理:对测试数据和训练数据进行归一化处理,目的:减少因为数值的大小所带来的影响(一般我们会将值都缩小在一个小的范围内)
- 建立神经网络:(输入层、隐藏层、输出层)
- 为模型定义损失函数、优化器、指标
- 将训练数据丢进我们的神经网络中,生成出Model
- 将测试数据丢进我们生成好的Model进行评估,预测出我们的准确率
三、TensorFlow介绍
3.1什么是TensorFlow
如果去Google搜关键字“TensorFlow”,那可能你会看到这么一句话:
An open source machine learning framework for everyone.
没错,TensorFlow就是一个机器学习的框架。至于框架,相信大家也比较好理解了;类比到Java,比如说我们的Spring框架给我们封装了好多好用的API,简化我们的开发(想想当年写Servlet的时候!)
TensorFlow作为机器学习的框架,同样也给我们封装了好多好用的API,能够降低学习机器学习的门槛。
- 就拿上面的例子来说,没想到那么少的代码就可以跑机器学习的“HelloWorld”了!
3.2TensorFlow的架构
我们可以发现上面的Demo所用的基础语言是Python,但不要认为TensorFlow就是Python的一个框架。我看到过一个比喻,觉得写得挺好的,粘贴一下:
Python 和 Tensorflow 之间的联系,可以类比 Javascript 和 HTML 之间的关系。Javascript 是一种全功能的编程语言,可以实现各种出色的效果。HTML 是用于表示某种类型的实用计算抽象(这里指的是可由 Web 浏览器呈现的内容)的框架。Javascript 在交互式网页中的作用是组装浏览器看到的 HTML 对象,然后在需要时通过将其更新为新的 HTML 来与其交互。
- 作者:AI前线
- 链接:https://juejin.im/post/5b345a49f265da599c561b25
下面再来看看TensorFlow的架构图(Python只是对TensorFlow进行了封装)
TensorFlow的引擎也是分了很多模块的(这里我们简单了解一下):
最后
总结一下这篇文章:
- 安装TensorFlow必要的环境
跟着官方文档,体验一下TensorFlow(机器学习)的“HelloWorld”
- 根据给出的例子,猜出使用TensorFlow(机器学习)时需要做哪些步骤
- TensorFlow就是一个机器学习(深度学习)的框架,提供了很多实用的API方便我们去玩机器学习(深度学习)。
相信看到这里,很多人都跟我之前一样,一脸懵逼。对官方给出的例子中的API不熟悉,去查阅相关资料的时候又发现有好多机器学习相关的术语,对这些术语又不了解。然后就循环懵逼..
while(true){// 循环懵逼..
}
其实回想刚学Java的时候,也是这么一个过程,当你从屏幕看到“HelloWorld”了以后,大概率来说也是不了解相关的API具体做了什么事(甚至连API都不知道是啥意思)。但花一段时间去学习了以后,就会发现,原来HelloWorld是真的简单!
public static void main(String[] args) {System.out.println("Hello World");}
后续我会继续更新我学习TensorFlow时的一些笔记,有兴趣的小伙伴不妨跟着我一起学习~
另外,从文章的开头我也已经说了,我对Python、机器学习都是没有相关基础的,如果有写错的地方不妨在评论区留言指正。
下一篇预告:TensorFlow是什么意思?Tensor?Flow?介绍TensorFlow一些最基础的知识以及常见的机器学习术语。
乐于输出干货的Java技术号:Java3y。号内有200多篇原创技术文章、海量视频资源、精美脑图,不妨来关注一下!
觉得我的文章写得不错,不妨点一下赞!
从零开始学TensorFlow 1相关推荐
- 从零开始学TensorFlow
前言 只有光头才能变强. 文本已收录至我的GitHub仓库,欢迎Star:https://github.com/ZhongFuCheng3y/3y 最近在学习TensorFlow的相关知识,了解了Te ...
- 怎么从0开始学python_如何从零开始学python
如何从零开始学python?书声琅琅培训老师介绍,零基础的朋友学python相对来讲难度要大,但是很多python大牛都是从零基础上来的,对于这些python大牛来讲,参加合理的培训指导和有一套pyt ...
- 从零开始学Pytorch(零)之安装Pytorch
本文首发于公众号"计算机视觉cv" Pytorch优势 聊聊为什么使用Pytorch,个人觉得Pytorch比Tensorflow对新手更为友善,而且现在Pytorch在学术界 ...
- 《Python深度学习从零开始学》简介
#好书推荐##好书奇遇季#深度学习入门书<Python深度学习从零开始学>,京东当当天猫都有发售.从模型和实验入手,快速掌握深度学习技术. 业内大咖强力推荐!!!武汉大学信息管理学院教授 ...
- 从零开始学Pytorch(第5天)
从零开始学Pytorch(第5天) 前言 一.模块类的构建 1. nn.Module 2.构建一个线性回归类 二.计算图和自动求导机制 1.计算图 2.自动求导 总结 前言 今天主要了解和学习Pyto ...
- python ai 教学_【Python AI教学】从零开始学Python AI开发系列01
原标题:[Python AI教学]从零开始学Python AI开发系列01 欢迎开启新的旅程. 从2016年开始,AI人工智能的热潮扑面而来.而在机器学习和深度学习领域,Python位于最受欢迎的编程 ...
- 关于新技术的引入原则 ——从零开始学架构
不以解决实际问题引入的技术都耍流氓. 新技术的引入不是为了证明自己,而是为了解决实际项目中遇到的问题.希望诸位能够控制住自己的心魔. 新技术的引入要求应该是解决的问题大于带来的问题. 再引入新技术,请 ...
- python从0开始学编程课件_小白从零开始学编程(三)--python基本概念
前言 从2020年3月份开始,计划写一系列文档--<小白从零开始学编程>,记录自己从0开始学习的一些东西. 第一个系列:python,计划从安装.环境搭建.基本语法.到利用Django和F ...
- (10)Spring Boot修改端口号【从零开始学Spring Boot】
Spring boot 默认端口是8080,如果想要进行更改的话,只需要修改applicatoin.properties文件,在配置文件中加入: server.port=9090 常用配置: #### ...
最新文章
- 换了路由器电脑都连不上网了_技术丨电脑连不上网,我要如何冲浪?
- 数学图形(1.40)T_parameter
- @RequestParam:将请求参数绑定到你控制器的方法参数上(是springmvc中接收普通参数的注解)
- 透过国外初创公司看高精度地图难题
- 查看windows系统当前使用的字符集
- 视觉SLAM——D435i运行ORB-SLAM3-mono(依赖ros版)
- [转载]ASP.NET 格式化字符串
- 男人在35岁之前最好的投资
- linux6.5防火墙开端口,Linux(CentOS6.5) 开放端口,配置防火墙
- ****** 三十 ******、软设笔记【计算机体系结构】-循环冗余校验码(CRC)
- iOS 容器 addChildViewController
- vue设置isactive_Vue 编码风格指南!
- NodeJs快速入门
- Tableau开始试用期后的破解方法
- 功能不错的Snagit截图软件
- 百度鹰眼服务平台部署教程
- Windows 安装Docker碰到 cannot enable hyper-v service
- 明日风尚杂志明日风尚杂志社明日风尚编辑部2022年第8期目录
- MAC安装USB转串口驱动
- 复杂网络分析工具总结
热门文章
- 西瓜书+实战+吴恩达机器学习(六)监督学习之逻辑回归 Logistic Regression
- jQuery源码解析之offset()
- 中风偏瘫疾病的预防方法是什么
- 机器学习11/100天-KNN实践
- 【一】Jmeter:体系结构
- 总线全称_一篇文章讲透I2C总线协议
- rabbitmq接口异常函数方法_[项目更新] 集成RabbitMQ队列与EventBus总线
- [Ext JS 4] MVC 应用程序框架
- MyBatis3源码解析(6)TypeHandler使用
- Spring boot Gradle项目搭建