深度学习的敲门砖：手把手教你TensorFlow初级入门（Tensorflow入门）

深度学习的敲门砖：手把手教你TensorFlow初级入门（Tensorflow入门）

向AI转型的程序员都关注了这个号????????????

在开始使用机器学习算法之前，我们应该首先熟悉如何使用它们。 而本文就是通过对TensorFlow的一些基本特点的介绍，让你了解它是机器学习类库中的一个不错的选择。

让我们设想一下，当我们用Python写代码时，没有那些方便的类库会是怎样一种窘境。 这就好比你有一个新的智能手机，而不安装任何应用程序。 虽然它仍然可以打电话，发短信，但如果有了那些更方便的应用程序，这部智能手机才更有价值。

设想一下这个场景...你作为一名业务负责人，需要负责跟踪销售流程。 你希望计算销售产品的收入。 现在有100个不同的产品在你的仓库中，你需要用一个向量表示每个产品的价格。另一个大小为100的向量表示每个产品的库存量。 以下的Python代码是用来计算销售所有产品的收入。注意了， 这里没有调用任何类库。

revenue = 0for price, amount in zip(prices, amounts): revenue += price * amount

代码列表1. 不使用任何Python类库计算两个向量的内积

这段代码只是计算两个向量（也称为点积）的内积。 想象一下，对于更复杂的问题，需要多少代码。例如求解线性方程或计算两个向量之间的距离。

当你安装TensorFlow类库的同时，其中还包括了非常知名的NumPy类库，对Python编程中的数学操作非常有用。用Python编程时，不使用类库（例如NumPy和TensorFlow）就像使用没有自动对焦的相机：你虽然获得了更多的灵活性，但你可能很容易犯错。在机器学习的过程中已经很容易犯错误了，所以就让我们使用TensorFlow来提高化软件开发的效率吧。

代码列表2展示了如何使用NumPy简洁地编写相同的内积运算。

import numpy as nprevenue = np.dot(prices, amounts)

代码列表2. 用NumPy类库计算内积

Python是一种简洁的语言，这意味着你不会看到冗长的代码。另一方面，Python语言的简洁意味着许多处理都在后台进行，因此我们应该熟悉它背后的原理。

关于TensorFlow的Python和C ++ API的各种函数的详细文档，请参见tensorflow as tf

在导入TensorFlow后，如果Python解释器没有报错，那么我们就可以开始使用TensorFlow了。

遇到了错误？ 在这里，常见错误的原因是你可能安装了GPU版本，并且类库无法搜索CUDA驱动程序。 请记住，如果使用CUDA编译库，则需要使用CUDA的路径更新环境变量。 你需要检查TensorFlow上的CUDA指令。 （有关详情，请参阅例如，我们可以通过颜色，型号，发动机类型和里程数描述一辆汽车。 这些特征的有序列表被称为特征向量，这正是我们要在TensorFlow代码中所表示的。

特征向量是机器学习中最有用的方法之一，（它们就是一个数字列表）。每个数据项通常有一个特征向量，而一个好的数据集则具有数千个特征向量。 毫无疑问，你会经常一次处理多个向量。 矩阵简明地表示了向量列表，其中矩阵的每列表示一个特征向量。

在TensorFlow中用向量的向量表示矩阵，每个向量具有相同的长度。 图1是一个两行三列的矩阵的示例，例如[[1,2,3]，[4,5,6]]。 注意，这是一个包含两个元素的向量，每个元素对应一个矩阵行。

图1.图上半部分是计算机对矩阵的表示，下半部分是我们日常生活中对矩阵的表示。 这种形式的符号是大多数科学计算类库中的常见范例。

我们通过指定其行和列索引来定位矩阵中的元素。 例如，第一行和第一列来表示左上角第一个元素。 有时，我们需要使用两个以上的索引，这样来表示一个元素会很方便。例如，在表示一个图片中的像素时，我们不仅通过其行和列值来描述它，而且还使用红，绿，蓝通道来对其进行描述。 张量是通过任意数量的索引指定矩阵中元素的一般化。

一个张量的例子...假设一所小学为每个学生分配座位。 而你是这个学校的校长，并且你记不住这些学生的名字。 幸运的是，每个教室都有一个座位网格，可以通过学生的行和列来指定某个学生。

因为有多个教室，所以你不能简单的说“早上好，4排10列！”你还需要指定教室，比如说“你好， 教室2的4排10列”。不像矩阵只需要两个索引就能指定一个元素，这所学校的学生需要三个数字。 这三个数字都是三阶张量的一部分！

张量是更多的嵌套向量。例如，一个2×3×2的张量为[[[1,2]，[3,4]，[5,6]]，[[7,8]，[9,10] 11,12]]]，它可以被认为是两个矩阵，每个大小为3×2。 因此，我们说这个张量的秩是3.一般来说，张量的秩是指定一个元素所需的索引的数量。 TensorFlow中的机器学习算法是作用于张量上的，理解如何使用它们是关键。

图2.该张量可以被认为是堆叠在彼此之上的多个矩阵。 要指定其中的某个元素，必须指明行和列，以及要访问的矩阵。 因此，该张量的秩为三。

你可能会对如何表示张量产生疑惑。下面三行代码试图表示相同的2×2矩阵。 该矩阵表示两个维度的两个特征向量。 例如，它可以表示两个人对两部电影的评价。 每个人，由矩阵的行索引表示，分配一个数字来描述每个人的电影评价值，由列索引表示。 运行代码以了解如何在TensorFlow中生成矩阵。

import tensorflow as tf# We’ll use NumPy matrices in TensorFlowimport numpy as np # Define a 2x2 matrix in 3 different waysm1 = [[1.0, 2.0], [3.0, 4.0]]m2 = np.array([[1.0, 2.0], [3.0, 4.0]], dtype=np.float32)m3 = tf.constant([[1.0, 2.0], [3.0, 4.0]])# Print the type for each matrixprint(type(m1))print(type(m2))print(type(m3))# Create tensor objects out of the different typest1 = tf.convert_to_tensor(m1, dtype=tf.float32)t2 = tf.convert_to_tensor(m2, dtype=tf.float32)t3 = tf.convert_to_tensor(m3, dtype=tf.float32)# Notice that the types will be the same nowprint(type(t1))print(type(t2))print(type(t3))

代码列表3.表示张量的不同方式

第一个变量m1是一个列表，第二个变量m2是NumPy类库中的一个ndarray，最后一个变量m3是TensorFlow的Tensor对象。TensorFlow中所有运算符（如neg）都设计为对张量对象进行操作。tf.convert_to_tensor（...）这个方法，我们可以用在任何地方，以确保我们处理张量而不是其他类型。TensorFlow类库中的大多数方法都已经调用了它。使用tf.convert_to_tensor（...）并不是必须的，在这里使用它，是因为它有助于我们理解隐式类型的跨类库处理。

让我们再来看看如何中定义张量。 导入TensorFlow类库之后，我们可以使用常量运算符，如代码列表4所示。

import tensorflow as tf# Define a 2x1 matrixmatrix1 = tf.constant([[1., 2.]])# Define a 1x2 matrixmatrix2 = tf.constant([[1], [2]])# Define a rank 3 tensormyTensor = tf.constant([ [[1,2], [3,4], [5,6]], [[7,8], [9,10], [11,12]] ])# Try printing the tensors print(matrix1)print(matrix2)print(myTensor)

代码列表4。 创建张量

代码4的运行结果：

Tensor( “Const:0”, shape=TensorShape([Dimension(1), Dimension(2)]), dtype=float32 )Tensor( “Const_1:0”, shape=TensorShape([Dimension(2), Dimension(1)]), dtype=int32 )Tensor( “Const_2:0”, shape=TensorShape([Dimension(2), Dimension(3), Dimension(2)]), dtype=int32 )

从运行结果中可以看出，每个张量都由已命名的Tensor对象表示。每个Tensor对象都有一个唯一的标签（名称），一个用于定义其结构的维度（shape），以及用于指定我们要操作的数据类型（dtype）。因为我们并没有显示指定名称，所以他们被自动命名为：“Const：0”，“Const_1：0”和“Const_2：0”。

张量类型

需要注意的是matrix1的每个元素以小数点结束，这是为了告诉Python该元素的数据类型不是整数，而是浮点数。 我们可以传递显式dtype值。 和NumPy数组一样，张量可以接受我们指定的类型。

TensorFlow也提供了一些构造函数用于一些简单的张量。例如，tf.zeros（shape）创建了一个包涵所有值都被初始化为零的特定形态的张量。 类似地，tf.ones（shape）创建了一个所有元素值为1的张量。 shape参数是描述张量的维度的一维张量，它的类型是int32。

创建运算符

我们已经有了几个初始的张量，现在我们可以用运算符对他们进行操作，比如加减乘除。 假设现在有一个矩阵，它的行表示货币交易，收款金额（正值）和收款金额（负值）。 矩阵取反是表示某个人的货币流历史记录的一种方式。 我们现在对代码列表4中的matrix1进行取反操作neg（negation的缩写）。矩阵取反将正数转换为绝对值相同的负数，反之亦然。

取反操作是最简单的操作之一。 如代码列表5所示，取反只需将一个张量作为输入，得出另一个张量，每个元素取反。现在，尝试自己运行代码。 如果你已经掌握了如何使用取反，那就可以推广到所有其他TensorFlow的操作。

这里需要指出，定义操作（如取反操作）和运行它是不一样的。

import tensorflow as tf# Define an arbitrary tensorx = tf.constant([[1, 2]])# Negate the tensorneg_x = tf.neg(x)# Print the objectprint(neg_x)

代码列表5. 取反运算符的使用

代码列表5的输出：

Tensor(“Neg:0”, shape=(1, 2), dtype=int32)

更多TensorFlow的运算符

官方文档详细地列出了所有可用的数学操作：

y) Add two tensors of the same type, x + ytf.sub(x, y) Subtract tensors of the same type, x — ytf.mul(x, y) Multiply two tensors element-wisetf.pow(x, y) Take the element-wise power of x to ytf.exp(x) Equivalent to pow(e, x), where e is Euler’s number (2.718…)tf.sqrt(x) Equivalent to pow(x, 0.5)tf.div(x, y) Take the element-wise division of x and ytf.truediv(x, y) Same as tf.div, except casts the arguments as a floattf.floordiv(x, y) Same as truediv, except rounds down the final answer into an integertf.mod(x, y) Takes the element-wise remainder from division

我们可以这些TensorFlow运算符来产生高斯分布（也称为正态分布）。 参见图3提示。 你可以参考wiki，找到正态分布的概率密度：math import pimean = 1.0sigma = 0.0(tf.exp(tf.neg(tf.pow(x — mean, 2.0) / (2.0 * tf.pow(sigma, 2.0) ))) *(1.0 / (sigma * tf.sqrt(2.0 * pi) )))

图3.该图表示产生高斯分布所需的操作。 节点之间的链接表示数据如何从一个操作进入下一个操作。 操作本身很简单，但是它们如何相互作用是相对复杂的。

TensorFlow算法很容易可视化。 它们可以用流程图来进行描述。 流程图就是一种图表。 流程图中的每个箭头都称为图形的边。 而它的每个状态被称为节点。

在会话中执行运算符

会话(session)是描述代码应该如何运行的软件系统环境。在TensorFlow中，会话设置了硬件设备（如CPU和GPU）如何相互通信。这样，你只要关心如何设计机器学习算法，而不必担心底层硬件设备的运行。当然，你也可以配置会话以更改其底层硬件设备交互行为，而不更改上层代码。

要在TensorFlow中运行程序计算数值是需要一个会话的。 只有在已创建的会话才可以对Tensor对象进行赋值。 为此，我们必须使用tf.Session（）创建一个会话类，并由它来运行一个运算符（代码列表6）。

import tensorflow as tf# Define an arbitrary matrixmatrix = tf.constant([[1., 2.]])# Run the negation operator on itneg_matrix = tf.neg(matrix)# Start a session to be able to run operationswith tf.Session() as sess: # Tell the session to evaluate negMatrix result = sess.run(neg_matrix)# Print the resulting matrixprint(result)

代码列表6.使用会话

恭喜！ 你刚刚写了第一个完整的TensorFlow代码。 尽管它所做的是只是对一个矩阵进行取反，但它已经能充分体现TensorFlow中的核心概念与框架了。

会话配置

在创建tf.Session类时，我们可以向构造函数传递一些参数。 例如，TensorFlow会根据可用的内容自动确定为指定GPU或CPU设备的最佳方式。 在创建会话时，我们可以设置log_device_placements = True，如代码列表7所示。

import tensorflow as tf# Define a matrix and negate itmatrix = tf.constant([[1., 2.]])negMatrix = tf.neg(matrix)# Start the session with a special config passed into the constructor to enable loggingwith tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess: # Evaluate negMatrix result = sess.run(negMatrix)# Print the resulting valueprint(result)

代码列表7 登录一个会话

这将输出有关每个操作的会话中使用哪些CPU / GPU设备的信息。 例如，执行代码列表6中的程序会有以下输出，它显示了用于运行取反操作的设备：

Neg: /job:localhost/replica:0/task:0/cpu:0

会话在TensorFlow中是必不可少的。 我们需要调用一个会话来执行数学操作。 图4描述了TensorFlow上的不同组件如何与机器学习管道的交互。 会话不仅执行图像操作，而且还可以使用占位符，变量和常量作为输入。 到目前为止，我们已经使用了常量，但在后面的部分，我们将开始使用变量和占位符。 以下是这三种类型值的简要概述。

•占位符：未分配的值，但将由运行的会话初始化。

•变量：可以更改的值，例如机器学习模型的参数。

•常数：不更改的值，例如超参数或设置。

图4.会话指示如何使用硬件来最有效地处理图形。 当会话开始时，它将CPU和GPU设备分配给每个节点。 在处理之后，会话用可用格式（例如NumPy数组）输出数据。 会话可以接受占位符，变量和常量。

我希望你通过本文已经熟悉了一些TensorFlow编程的基本方法。

人工智能大数据与深度学习

长按图片，识别二维码，点关注

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。