教程▍一步步上手TensorFlow—

作者|blackblog 编辑| 布袋熊

AI基础技能学习一步步上手TensorFlow

TensorFlow 是一个用于人工智能的开源神器。作为常用的机器学习框架，可被用于语音识别或图像识别等多项机器学习和深度学习领域，且上手简单，教材丰富。

本篇文章将带领大家一步一步上手TensorFlow，小伙伴们学起来呀~

TensorFlow从名字上，我们就可以对他有一定的理解。

Tensor：张量，表示N维数组。

Flow：流，表示给予数据流图的计算。

TensorFlow一句话：一个采用数据流图，用于数值计算的开源软件库。节点在图中表示数学操作，图中的线则表示在节点间相互联系的多维数据数组，即张量。

本文重点在于TensorFlow基础知识的讲解，包括安装，Graph，Session，Variable，Feed，Fetch的讲解。

更多关于TensorFlow的知识，可以登陆其官网进行查询：

https://www.tensorflow.org

TensorFlow的安装

工欲善其事必先利其器，安装tf自然是第一步。

首先安装好python，我使用的是python3.6，确认自己是否安装有pip。
使用这两句话可以查询自己的pip是否安装正确

1 2	$ pip -V # for Python 2.7 $ pip3 -V # for Python 3.n

安装TensorFlow

1 2	$ pip -V # for Python 2.7 $ pip3 -V # for Python 3.n

如果上一句代码执行失败，执行如下代码

1 2	$ sudo pip install --upgrade tfBinaryURL # Python 2.7 $ sudo pip3 install --upgrade tfBinaryURL # Python 3.n

如果想要安装其他版本的tf，执行如下代码，自行修改URL就可以安装不同版本的tf了

1 2	$ sudo pip3 install --upgrade \ https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-1.6.0-py3-none-any.whl

安装好后进入python

import tensorflow as tf

hello = tf.constant( 'Hello, TensorFlow!')

sess = tf.Session()

print(sess.run(hello))

正确输出如下内容，表示安装成功

1	Hello, TensorFlow!

TensorFlow的基本概念

TensorFlow就是一个采用数据流图，用于数值计算的开源软件库。节点在图中表示数学操作，图中的线则表示在节点间相互联系的多维数据数组，即张量。

此图来自于TensorFlow中文社区

图（Graph）：表示计算任务。

会话（Session）：建立会话，此时会生成一张空图；在会话中添加节点和边，形成一张图，一个会话可以有多个图，通过执行这些图得到结果。

张量（Tensor）：一个N维数组，用来表示数据。

变量（Variable）：用来记录一些数据和状态。

feed和fetch：用于对数据进行操作

创建图

TensorFlow 是一个编程系统, 使用图来表示计算任务。图中的节点被称之为 op (operation 的缩写)。一个 op 获得 0 个或多个 Tensor, 执行计算, 产生 0 个或多个 Tensor。

每个 Tensor 是一个类型化的多维数组. 例如, 你可以将一小组图像集表示为一个四维浮点数数组, 这四个维度分别是 [batch, height, width, channels]。

构建图的第一步, 是创建源op。

源op不需要任何输入, 例如常量 (Constant)。源 op 的输出被传递给其它 op 做运算.

创建一个图

import tensorflow as tf

# 创建一个常量 op, 产生一个 1x2 矩阵. 这个 op 被作为一个节点加到默认图中.

t1 = tf.constant([[ 3., 3.]])

#创建另外一个常量 op, 产生一个 2x1 矩阵.

t2 = tf.constant([[ 4.],[ 4.]])

#创建一个矩阵乘法 matmul op , 把 'matrix1' 和 'matrix2' 作为输入

# 返回值 'product' 代表矩阵乘法的结果.

product = tf.matmul(t1,t2)

用到的两个函数：

tf.constant(value, dtype= None, shape= None, name= 'Const') #用于创建一个内容为value，类型为dtype，大小为shape的常量Tensor。

tf.matmul(a, b, transpose_a= False, transpose_b= False, a_is_sparse= False, b_is_sparse= False, name= None) #将矩阵a与矩阵b相乘，返回a*b的结果

启动图

上一步中完成后，默认图中现有三个节点，两个constant op，一个matmul op。但这仅仅是完成了图的创建，如果要得到最终的结果，我们必须要启动这个图。

启动图的第一步就是构造一个会话（Sess），创建一个Session对象。调用 sess 的 run() 方法来执行矩阵乘法 op, 传入 product 作为该方法的参数。函数调用 ‘run(product)’ 触发了图中三个 op (两个常量 op 和一个矩阵乘法 op) 的执行。最终任务结束，关闭会话。

# 启动默认图.

sess = tf.Session()

# 调用 sess 的 'run()' 方法来执行矩阵乘法 op, 传入 'product' 作为该方法的参数.

result = sess.run(product)

print (result)

# 任务完成, 关闭会话.

sess.close()

最终的输出结果为：

1	[[ 24.]] #没问题，算对了

我们也可以使用with代码块来实现对话的自动关闭,在离开with代码块时，会话会自动关闭。

with tf.Session() as sess:

result = sess.run(product)

print(result)

最终的输出结果为：

[[ 24.]]

交互式对话

使用上述方法，会出现一个对话被绑定在一个变量上的情况，有的时候我们并不想这么做，所以我们可以使用交互式对话的方式避免这样的情况。

使用 Tensor.eval() 和 Operation.run() 方法代替 Session.run()

sess = tf.InteractiveSession()

x = tf.Variable([ 1.0, 2.0]) #后面会讲到Variable

a = tf.constant([ 5.0, 3.0])

# 使用初始化器 initializer op 的 run() 方法初始化 'x'，由于x是一个Variable，所以我们要对其进行初始化。

x.initializer.run()

# 增加一个减法 subtract op, 从 'x' 减去 'a'. 运行减法 op, 输出结果

sub = tf.subtract(x,a)

print (sub.eval())

最终的输出结果为：

1	[ -4. -1.] #没错，又算对了

张量（Tensor）

TensorFlow的名字中第一个单词就是Tensor，可见Tensor在TensorFlow中的重要性。

Tensor可以理解为是一个数据结构，其实就是一个N维数组。TensorFlow用tensor表示所有的数据。

在计算图中,操作间传递的数据都是tensor。

一个 tensor包含一个静态类型rank，和一个shape。

阶（Rank）

阶（Rank）用于描述张量的维数

一阶Tensor可以理解为数学上的向量，二阶Tensor可以理解为数学上的矩阵。

对于一个二阶张量你可以用语句t[i, j]来访问其中的任何元素。而对于三阶张量你可以用’t[i, j, k]’来访问其中的任何元素。

with tf.Session() as sess:

t1 = tf.constant([ 1.0, 2.0, 3.0])

t2 = tf.constant([[ 1.0, 2.0],[ 3.0, 4.0]])

t3 = tf.constant([[[ 2.0, 4.0],[ 6.0, 8.0]],[[ 1.0, 2.0],[ 3.0, 4.0]]])

print(t1[ 0].eval())

print(t2[ 1].eval())

print(t2[ 1, 0].eval())

print(t3[ 1, 0].eval())

输出结果如下：

1.0

[ 3. 4.]

3.0

[ 1. 2.]

不同阶的数学表示

形状（Shape）

这个属性与nparray的shape属性基本一致，因为一个Tensor可以理解为是一个N维数组，所以Shape属性就是获取数组的大小。

with tf.Session() as sess:

t1 = tf.constant([ 1.0, 2.0, 3.0])

t2 = tf.constant([[ 1.0, 2.0],[ 3.0, 4.0]])

t3 = tf.constant([[[ 2.0, 4.0],[ 6.0, 8.0]],[[ 1.0, 2.0],[ 3.0, 4.0]]])

print(t1.shape)

print(t2.shape)

print(t3.shape)

输出结果如下：

( 3,)

( 2, 2)

( 2, 2, 2)

数据类型（dtype）

不同的数据类型

变量

变量用来记录一些数据和状态，维护图执行过程中的状态信息。

当训练模型时，用变量来存储和更新参数。变量包含张量 (Tensor)存放于内存的缓存区。建模时它们需要被明确地初始化，模型训练后它们必须被存储到磁盘。这些变量的值可在之后模型训练和分析是被加载。

变量的创建

当创建一个变量时，可以一个张量作为初始值传入构造函数Variable()。初始值可以是常量也可以是随机值。

但注意，初始化变量时，都需要指定传入张量的Shape，Tensor的Shape会自动成为变量的Shape。

#创建两个变量

weights = tf.Variable(tf.random_normal([ 784, 20], stddev= 0.35),name= "weights")

biases = tf.Variable(tf.zeros([ 20]), name= "biases")

变量的初始化

变量的初始化必须在模型的其它操作运行之前先明确地完成。最简单的方法就是添加一个给所有变量初始化的操作，并在使用模型之前首先运行那个操作。
除此之外，也可以从检查点文件中重新获取变量值。
使用tf.initialize_all_variables()初始化所有变量

1	init = tf.global_variables_initializer()

使用tf.initialize_all_variables()将所有的变量并行的初始化。
我们也可以使用一个变量的initialized_value()方法初始化另一个变量的值。

1 2	#使用weights初始化w2 w2 = tf.Variable(w1.initialized_value(), name= "w2")

最后我们整体执行一下

#创建两个变量

w1 = tf.Variable(tf.random_normal([ 784, 20], stddev= 0.35),name= "weights")

b1 = tf.Variable(tf.zeros([ 20]), name= "biases")

#初始化所有变量

init = tf.global_variables_initializer()

#使用weights初始化w2

w2 = tf.Variable(w1.initialized_value(), name= "w2")

with tf.Session() as sess:

sess.run(init)

print(w1)

print(b1)

print(w2)

输出结果：

<tf.Variable 'weights:0' shape=( 784, 20) dtype=float32_ref>

<tf.Variable 'biases:0' shape=( 20,) dtype=float32_ref>

<tf.Variable 'w2:0' shape=( 784, 20) dtype=float32_ref>

变量的保存与恢复

我们在训练模型的过程中，经常需要将已经训练好的模型进行保存，这个时候我们需要将其变量进行保存，并在下一次使用时进行恢复。

使用tf.train.Saver()创建一个Saver来管理模型中的所有变量。

变量的保存

# 创建一些变量

w1 = tf.Variable(tf.random_normal([ 784, 20], stddev= 0.35),name= "weights")

b1 = tf.Variable(tf.zeros([ 20]), name= "biases")

# 初始化

init_op = tf.global_variables_initializer()

# 创建一个Saver

saver = tf.train.Saver()

with tf.Session() as sess:

sess.run(init_op)

save_path = saver.save(sess, "./tmp/model.ckpt")

保存成功后，一般会得到这四个文件

变量的恢复

此时我们不再需要对变量进行初始化

# 创建一些变量

w1 = tf.Variable(tf.random_normal([ 784, 20], stddev= 0.35),name= "weights")

b1 = tf.Variable(tf.zeros([ 20]), name= "biases")

# 创建一个Saver

saver = tf.train.Saver()

with tf.Session() as sess:

# Restore variables from disk.

saver.restore(sess, "./tmp/model.ckpt")

使用变量实现一个计数器

# 创建一个变量, 初始化为标量 0.

state = tf.Variable( 0, name= "counter")

# 创建一个 op, 其作用是使 state 增加 1

one = tf.constant( 1)

new = tf.add(state, one)

update = tf.assign(state, new) #使用assign将 new 赋值给 state

# 启动图后, 变量必须先经过`初始化` (init) op 初始化,

# 首先必须增加一个`初始化` op 到图中.

init_op = tf.global_variables_initializer()

# 启动图, 运行 op

with tf.Session() as sess:

# 运行 'init' op

sess.run(init_op)

# 打印 'state' 的初始值

print (sess.run(state))

# 运行 op, 更新 'state', 并打印 'state'

for _ in range( 3):

sess.run(update)

print(sess.run(state))

输出结果:

其中的一个函数：

tf.assign(ref, value, validate_shape=None, use_locking=None, name=None)，函数完成了将value赋值给ref的作用。其中：ref 必须是tf.Variable创建的tensor，如果ref=tf.constant()会报错！

Fetch

Fetch用于取回操作的输出内容。

为了取回操作的输出内容,可以在使用 Session对象的 run()调用执行图时,传入一些 tensor,这些tensor会帮助你取回结果。

需要获取的多个 tensor 值，在 op 的一次运行中一起获得（而不是逐个去获取 tensor）。

input1 = tf.constant( 3.0)

input2 = tf.constant( 2.0)

added= tf.add(input1, input2)

mul = tf.multiply(input1, added)

with tf.Session() as sess:

result = sess.run([mul, added]) #需要获取的多个 tensor 值，在 op 的一次运行中一起获得（而不是逐个去获取 tensor）。

print (result)

输出的结果：

1	[ 15.0, 5.0]

Feed

feed 使用一个tensor值临时替换一个操作的输出结果。

可以将feed数据作为run()调用的参数。

feed只在调用它的方法内有效,方法结后,feed就会消失。

最常见的用例是将某些特殊的操作指定为 “feed” 操作, 标记的方法是使用 tf.placeholder() 为这些操作创建占位符。

input1 = tf.placeholder(tf.float32)

input2 = tf.placeholder(tf.float32)

output = tf.multiply(input1, input2)

with tf.Session() as sess:

print (sess.run([output], feed_dict={input1:[ 5.], input2:[ 2.]}))

输出的结果：

1	[array([ 10.], dtype=float32)]

END

实战案例

▍Python机器学习实践：随机森林算法训练及调参（附代码）

▍自己动手构建一个人脸识别模型----看她是否认识您

▍Python实战爬取万条票房数据分析2019春节档电影状况

▍教你用Python撩妹：微信推送天气早报/睡前故事/精美图片

▍用Python的Sklearn库预测电信客户流失分析

▍Python爬虫基础：验证码的爬取和识别详解

▍Python爬取3w条游戏评分数据，看看哪款最热门？

▍用大数据扒一扒蔡徐坤的真假流量粉 |

▍用Python爬取数据来分析 2019年金三银四 Python就业行情

▍一个完整的电信客服分析平台大数据项目：架构、实现、数据

▍如何使用 Deepfakes 给主播换脸？教程来了

“

爱数据，爱技术，爱AI，36大数据社群（大数据交流、AI技术学习群、机器人研究、AI+行业、企业合作群）火热招募中，对大数据和AI感兴趣的小伙伴们。增加AI小秘书微信号：a769996688，说明身份即可加入。

长按识别二维码关注我们

欢迎投稿，投稿/合作：dashuju36@qq.com

如果您觉得文章不错，那就分享到朋友圈~

教程▍一步步上手TensorFlow——基础知识相关推荐

Python基础教程（第3版）中文版第一章快速上手：基础知识（笔记）
前些天发现了一个巨牛的人工智能学习网站,通俗易懂,风趣幽默,分享给大家: https://www.captainai.net/lf 如果你学完了Python不知道干什么,不妨去了解一下. 第一章快速 ...
计算机java语言教程,计算机JAVA教程二讲Java语言基础知识.doc
计算机JAVA教程二讲Java语言基础知识 2．1简单数据类型 2．1．1 标识符和保留字 1．标识符程序员对程序中的各个元素加以命名时使用的命名记号称为标识符(identifier).Java语言 ...
3.1 Tensorflow基础知识
3.1 Tensorflow基础知识 3.1.1 深度学习框架介绍框架对比: 1.技术层面对于个人开发者,它的主要用途为科研,而企业用户的主要用途为进行AI应用,提升生产效率.在此,主要从两类用户 ...
软考程序员教程-第三章数据库基础知识
软考程序员教程-第三章数据库基础知识第三章数据库基础知识 3.1 基本概念数据库系统(DataBase System,DBS)由数据库(DataBase,DB).硬件.软件和人员4大部分组成 ...
JAVA转GO第一步,我跟着教程看了一遍基础知识
** JAVA转GO第一步,我跟着教程看了一遍基础知识 ** 时间飞逝,转眼间工作快满5年了,看着同期毕业的朋友们大部分都选择了稳定的公务员.事业单位.学校的老师,前途大好.而我毕业后一直留在互联网公 ...
好程序员web前端教程分享web前端入门基础知识
好程序员web前端教程分享web前端入门基础知识,作为合格的Web前端工程师必须得掌握HTML.CSS和JavaScript.只懂其中一两个还不行,必须对这三门语言都要熟悉.下面我们一起来看一看吧! ...
MATLAB基础教程（2）语言基础知识
本教程主要讲到MATLAB语法.运算符.数据类型.数组索引及处理等等语言基础知识.大概可分四大部分: (1)输入命令输入命令- MATLAB & Simulink- MathWorks 中国 ...
不染计算机演奏教程,全国计算机等级考试一级教程-第1章计算机基础知识 .pdf...
电饭锅电饭锅电饭锅电饭锅电饭锅大范甘迪发过的个dfg 全国计算机等级考试一级教程王爱敏主讲:贾鹏老师考试介绍-考试信息 l 考试时间 :每年3月20日和9月20日前后考试 . l 考试方式 :1 ...
Python爬虫教程（一）：基础知识
目录 01 基础知识 1.1 渲染 1.2 http(超文本传输协议)协议 1.3 requests进阶 02 数据解析 2.1 re模块 2.2 bs4模块 2.3 xpath模块 01 基础知识 ...

教程▍一步步上手TensorFlow——基础知识

教程▍一步步上手TensorFlow——基础知识相关推荐

最新文章

热门文章