第四百一十六節，Tensorflow簡介與安裝

第四百一十六節，Tensorflow簡介與安裝

TensorFlow是什麼

Tensorflow是一個Google開發的第二代機器學習系統，克服了第一代系統DistBelief僅能開發神經網絡算法、難以配置、依賴Google內部硬件等侷限性，應用更加普遍，而且提升了靈活性和可移植性，速度和擴展性也有了大幅提升。字面上理解，TensorFlow就是以張量（Tensor）在計算圖（Graph）上流動（Flow）的方式的實現和執行機器學習算法的框架。具備如下特色：

• 靈活性。TensorFlow不是一個嚴格的「神經網絡」庫。只要能夠將計算表示成數據流圖，就可使用TensorFlow，好比科學計算中的偏微分求解等。（實際上其官網的介紹中對TF的定位就是基於數據流圖的科學計算庫，而非僅僅是機器學習庫）
• 可移植性。同一份代碼幾乎不通過修改既能夠部署到有任意數量CPU、GPU或TPU（Tensor Processing Unit，Google專門爲機器學習開發的處理器）的PC、服務器或移動設備上。
• 自動求微分。同Theano同樣，TensorFlow也支持自動求微分，用戶不須要再經過反向傳播求解梯度。
• 多語言支持。TensorFlow官方支持Python、C++、Go和Java接口，用戶能夠在硬件配置較好的機器中用Python進行實驗，在資源較緊張或須要低延遲的環境中用C++進行部署。
• 性能。雖然TensorFlow最開始發佈時僅支持單機，在性能評測上並不出色，可是憑藉Google強大的開發實力，TensorFlow性能已經追上了其餘框架

Google第一代分佈式機器學習框架DistBelief在內部大規模使用後沒有選擇開源，而第二代TensorFlow於2015年11月在GitHub上開源，並在持續快速開發迭代中。TensorFlow最先由Google Brain的工程師開發，設計初衷是加速機器學習的研究，並快速地將研究原型轉化爲產品。Google選擇開源TensorFlow的緣由很簡單：第一是但願藉助社區的力量，你們一塊兒完善TensorFlow。第二是回饋社區，Google但願讓這個優秀的工具獲得更多的應用，提升學術界和工業界使用機器學習的效率。

自從2015年11月開源以來，TensorFlow迅速在衆多的機器學習框架中脫穎而出，在Github上得到了最多的Star

Google第一代分佈式機器學習框架DistBelief在內部大規模使用後沒有選擇開源，而第二代TensorFlow於2015年11月在GitHub上開源，並在持續快速開發迭代中。TensorFlow最先由Google Brain的工程師開發，設計初衷是加速機器學習的研究，並快速地將研究原型轉化爲產品。Google選擇開源TensorFlow的緣由很簡單：第一是但願藉助社區的力量，你們一塊兒完善TensorFlow。第二是回饋社區，Google但願讓這個優秀的工具獲得更多的應用，提升學術界和工業界使用機器學習的效率。

自從2015年11月開源以來，TensorFlow迅速在衆多的機器學習框架中脫穎而出，在Github上得到了最多的Star.

 

安裝 pip install tensorflow

安裝時會安裝如下依賴

absl-py-0.4.1
astor-0.7.1 gast-0.2.0
grpcio-1.14.2
markdown-2.6.11
numpy-1.14.5
protobuf-3.6.1
setuptools-39.1.0
six-1.11.0
tensorboard-1.10.0
termcolor-1.1.0
werkzeug-0.14.1

 

設置變量

import tensorflow as tf

# python建立變量
a = 3

# tensorflow建立一個變量Variable
# 建立橫向量
w = tf.Variable([[0.5, 1.0]])
# 建立豎向量
x = tf.Variable([[4.0], [1.0]])

# 橫向量乘以豎向量matmul
y = tf.matmul(w, x)

# 全局變量初始化global_variables_initializer
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    # 執行計算run
    sess.run(init_op)
    # 打印結果eval

[[ 2.]]

注意：若是PyCharm提示如下信息，加兩行代碼便可
2018-09-10 21:02:19.937491: I T:\src\github\tensorflow\tensorflow\core\platform\cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2

 import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
#默認爲0：輸出全部log信息
#設置爲1：進一步屏蔽INFO信息
#設置爲2：進一步屏蔽WARNING信息

#設置爲3：進一步屏蔽ERROR信息

import tensorflow as tf
import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

# python建立變量
a = 3

# tensorflow建立一個變量Variable
# 建立橫向量
w = tf.Variable([[0.5, 1.0]])
# 建立豎向量
x = tf.Variable([[4.0], [1.0]])

# 橫向量乘以豎向量matmul
y = tf.matmul(w, x)

# 全局變量初始化global_variables_initializer
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    # 執行計算run
    sess.run(init_op)
    # 打印結果eval
    print(y.eval())

 

tensorflow不少操做跟numpy有些相似的

• tf.zeros([3, 4], int32) ==> [[0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0]]

• tf.zeros_like(tensor) ==> [[0, 0, 0], [0, 0, 0]]

• tf.ones([2, 3], int32) ==> [[1, 1, 1], [1, 1, 1]]

• tf.ones_like(tensor) ==> [[1, 1, 1], [1, 1, 1]]

• tensor = tf.constant([1, 2, 3, 4, 5, 6, 7]) => [1 2 3 4 5 6 7]

• tensor = tf.constant(-1.0, shape=[2, 3]) => [[-1. -1. -1.] [-1. -1. -1.]]

• tf.linspace(10.0, 12.0, 3, name="linspace") => [ 10.0 11.0 12.0]

• tf.range(start, limit, delta) ==> [3, 6, 9, 12, 15]

 

隨機

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

# 生成的值服從具備指定平均值和標準誤差的正態分佈
norm = tf.random_normal([2, 3], mean=-1, stddev=4)

# 洗牌
c = tf.constant([[1, 2], [3, 4], [5, 6]])
shuff = tf.random_shuffle(c)

# 每一次執行結果都會不一樣
sess = tf.Session()
print(sess.run(norm))
print(sess.run(shuff))

[[-5.58110332  0.84881377  7.51961231]
 [ 3.27404118 -7.22483826  7.70631599]]
[[5 6]
 [1 2]
 [3 4]]

 

循環加1

 

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'


state = tf.Variable(0)

# 每初始化一次加1
# add加
new_value = tf.add(state, tf.constant(1))
# assign從新賦值
update = tf.assign(state, new_value)

with tf.Session() as sess:
    # 初始化
    sess.run(tf.global_variables_initializer())
    print(sess.run(state))
    # 循環3次
    for _ in range(3):
        sess.run(update)
        print(sess.run(state))

 

0
1
2
3

 

 

加減乘除

import tensorflow as tf
import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

a = tf.constant(5.0)
b = tf.constant(10.0)

ts1 = tf.constant(8.0)
ts2 = tf.constant(9.0)

x = tf.add(a, b, name="add")
y = tf.div(a, b, name="divide")

# （1）加法+
ts_add1 = tf.add(ts1, ts2, name=None)
ts_add2 = ts1 + ts2  # 兩者等價
# （2）減法-
ts_sub1 = tf.subtract(ts1, ts2, name=None)
ts_sub2 = ts1 - ts2  # 兩者等價
# （3）乘法*
ts_mul1 = tf.multiply(ts1, ts2, name=None)
ts_mul2 = ts1 * ts2
# （4）除法/
ts_div1 = tf.divide(ts1, ts2, name=None)
ts_div2 = tf.div(ts1, ts2, name=None)  # div 支持 broadcasting(即shape可不一樣)
ts_div3 = ts1 / ts2


with tf.Session() as sess:
    print("a =", sess.run(a))
    print("b =", sess.run(b))
    print("a + b =", sess.run(x))
    print("a/b =", sess.run(y))
    print("ts_sub1", sess.run(ts_sub1))

a = 5.0
b = 10.0
a + b = 15.0
a/b = 0.5
ts_sub1 -1.0

 

挖坑

 

import tensorflow as tf
import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

# 理解爲挖一個32的坑
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)

# 兩個坑相乘
output = tf.multiply(input1, input2)

with tf.Session() as sess:
    # 分別向兩個坑填數據feed_dict
    print(sess.run([output], feed_dict={input1: [7.], input2: [2.]}))

 

[array([ 14.], dtype=float32)]

 

 

叫賣錄音網
錄音網站