第一個tensorflow程序

使用docker鏡像運行一個tensorflow的Hello World項目。

安裝了ubuntu 18.04後，經過pip安裝tensorflow老是莫名奇妙出錯，只能祭出docker大法。用docker的話只要一個鏡像就能夠運行，沒有其餘依賴。

docker安裝tensorflow

1. 安裝 docker

$ sudo apt install docker.io

2. 將用戶加入到docker組中，這樣不須要sudo就能夠運行docker鏡像

$ sudo usermod -a -G docker $HOME
$ sudo systemctl restart docker

3. 測試安裝成功

$ docker run hello-world

4. docker使用代理(可選)

若是由於網絡問題，沒法經過docker pull拉取鏡像，可嘗試使用代理。 docker使用代理的方式見官方文檔

• 爲docker服務建立一個內嵌的systemd目錄

$ mkdir -p /etc/systemd/system/docker.service.d

• 建立/etc/systemd/system/docker.service.d/http-proxy.conf文件，並添加HTTP_PROXY環境變量。其中[proxy-addr]和[proxy-port]分別改爲實際狀況的代理地址和端口：

[Service]
Environment="HTTP_PROXY=http://[proxy-addr]:[proxy-port]/" "HTTPS_PROXY=https://[proxy-addr]:[proxy-port]/"

• 若是還有內部的不須要使用代理來訪問的Docker registries，須要指定NO_PROXY環境變量：

[Service]
Environment="HTTP_PROXY=http://[proxy-addr]:[proxy-port]/" "HTTPS_PROXY=https://[proxy-addr]:[proxy-port]/" "NO_PROXY=localhost,127.0.0.1,docker-registry.somecorporation.com"

• 更新配置：

$ systemctl daemon-reload

• 重啓Docker服務：

$ systemctl restart docker

5. 拉取tensorflow鏡像

$ docker pull tensorflow/tensorflow

這裏拉取鏡像可能時間會比較長。

利用MNIST數據集識別手寫圖片

當咱們開始學習編程的時候，第一件事每每是學習打印"Hello World"。就比如編程入門有Hello World，機器學習入門有MNIST。MNIST是一個入門級的計算機視覺數據集，它包含各類手寫數字圖片。這裏將訓練一個機器學習模型用於預測圖片裏面的數字。此範例來自MNIST機器學習入門。

• 拉取MNIST數據集，包括了訓練模型的數據和測試數據集，鏡像中的已經安裝了inout_data模塊，調用read_data_sets會自動下載導入數據集)。

import tensorflow.examples.tutorials.mnist.input_data as input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

• 導入tensorflow包

import tensorflow as tf

• 定義x和y_兩個佔位符，以後的tensorflow經過這兩個佔位符輸入正確數。x表明圖片信息，由於圖片爲28x28像素(28x28=784)，None表示任意數量。y_表示圖片表明的數字，有0-9共10個數字。

x = tf.placeholder(tf.float32, [None, 784])
y_ = tf.placeholder("float", [None,10])

• 定義softmax迴歸模型，W和b是兩個變量

W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x,W) + b)

• 經過梯度降低算法訓練模型。cross_entropy表示交叉熵，這裏用來衡量模型的偏差，交叉熵越小表示模型與訓練數據的偏差越小。y_爲輸入的實際分佈，y爲預測的機率分佈。 GradientDescentOptimizer若是瞭解機器學習算法的話應該很熟悉， 表示用梯度降低算法進行訓練，學習速率爲0.01，目的是使cross_entropy最小。

cross_entropy = -tf.reduce_sum(y_*tf.log(y))
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

• 啓動模型，每次經過mnist.train.next_batch從數據集中取100條數據進行模型訓練，循環1000次

init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)

for i in range(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

• 經過MNIST的測試集測試模型識別的準確率

correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
print sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})

docker中運行

• 在本機新建一個文件夾，這裏命名tensorflow，將上面的代碼寫入到文件夾下的test.py中

$ mkdir tensorflow
$ vim tensorflow/test.py

• 啓動docker，將tensorflow文件夾以虛擬卷方式掛載到docker實例中

$ docker run -it -v $PWD/tensorflow:/tensorflow tensorflow/tensorflow /bin/bash

• 此時當前終端在docker實例中，經過python test.py運行

# cd /tensorflow
# python test.py

識別的準確率在91%左右。能夠試着減小或者增長模型訓練的循環次數，再比較識別的準確率。能夠發現循環超過100次後，僅靠增長循環字數並不能增長識別的準確率。