[人工智能]TensorFlow入门必备知识

一、pip安装

• CPU版本

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow==1.13.1

• GPU版本

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu

二、使用

import tensorflow as tf

#查看tensorflow 版本
print(tf.__version__)

出现报错：

?解决方法：

https://support.microsoft.com/zh-cn/help/2977003/the-latest-supported-visual-c-downloads

（安装的时候记得看Python版本，如果是64位的，下载visual studio 2015/2017和2019一定要选择64位的。）

安装时报错：

重新安装

运行结果：

python与tensorflow对应版本：https://tensorflow.google.cn/install/source#gpu

二、Tensorflow机器学习通用流程

三、为什么选择TensorFlow?

• 语言多样性

Tensorflow使用C++实现，然后用Python封装。谷歌号召社区通过SWIG开发更多的语言接口来支持TensorFow。

• 使用分发策略进行分发训练

对于大型ML训练任务，分发策略AOI使在不更改模型定义的情况下，可以轻松的在不同的硬件配置上分发和训练模型。由于Tensorflow支持一些列硬件加速器，如CPU、GPU和TPU。

• Tensorflow可视化

TensorBoard是tensorflow的一组Web应用，用来监控TensorFlow运行过程

• 在任何平台上的生产中进行强大的模型部署

一旦您训练兵保存了模型，就可以直接在应用程序中执行它，或者使用部署库为其提供服务：

1.Tensorflow服务：允许模型通过HTTP/REST或GRPC/协议缓冲区提供服务的Tensorflow库构建。

2.Tensorflow Lite：Tensorflow针对移动和嵌入式设备的轻量级解决方案提供了在Android、IOS和嵌入式系统部署模型的能力。

3.tensorflow.js：支持JavaScript环境中部署模型，例如在Web浏览器或服务器端通过Node.js部署模型。Tensorflow.js还支持在JavaScript中定义模型，并使用类似Kera的api直接在Web浏览器中进行训练。

四、TensorFlow基础

通过一个简单的加法例子学习tensorflow：

a_t = tf.constant(10)
b_t = tf.constant(20)
c_t = tf.add(a_t,b_t)
print("tensorflow实现加法运算：",c_t)
# 开启会话让计算结果出现
with tf.Session() as sess:
    sum_t = sess.run(c_t)
    print("在sess当中的sum_t:",sum_t)

运行结果：

tensorflow实现加法运算： Tensor("Add_1:0", shape=(), dtype=int32)
在sess当中的sum_t: 30

4.1TensorFlow结构分析

tensorflow程序通常被组织成一个构建图阶段和一个执行图阶段。

在构建阶段，数据与操作的执行步骤被描述成一个图。

在执行阶段，使用会话执行构建好的图中的操作。

• 图和会话：

图：这是tensorflow将计算表示为指令之间的依赖关系的一种表示方法

会话：tensorflow跨一个或多个本地或远程设备运行数据流图的机制。

• 张量：tensorflow中的基本数据对象
• 节点：提供图当中执行的操作

TensorFlow是一个采用数据流图（data flow graphs），用于数值计算的开源框架。

节点（operation）在图中表示数学操作，线（edges）则表示在节点间相互联系的多维数组，即张量（tensor）

4.1.1图

图包含了一组tf.operation代表的计算单元对象和tf.Tensor代表的计算单元之间流动的数据。

默认图：get_default_graph()

此时，我们创建一个新图，去做加法运算：

new_g = tf.Graph()
with new_g.as_default():
    new_a = tf.constant(10)
    new_b = tf.constant(20)
    new_t = tf.add(new_a,new_b)
#打印Tensor的图
print("构造的图：",new_a.graph)

# 开启会话让计算结果出现
#将默认图修改为你自定义的图
with tf.Session(graph=new_g) as sess:
    print("sess的图：",sess.graph)
    sum_t = sess.run(new_t)
    print("在sess当中的sum_t:",sum_t)

构造的图： <tensorflow.python.framework.ops.Graph object at 0x00000073C0634308>
sess的图： <tensorflow.python.framework.ops.Graph object at 0x00000073BB910E48>

4.1.2TensorBoard可视化

TensorFlow可用于训练大规模深度神经网络所需的计算，使用该工具涉及的计算往往复杂而深奥，为例方便TensorFlow程序的理解、调优和优化，TensorFlow提供了tensorBoard可是化工具。

1.数据序列化events文件

file_writer = tf.summary.FileWriter("路径名./temp/",graph=sess.graph)

将在指定目录中生成一个event文件，其名称格式如下：

events.out.tfevents.{timestamp}.{hostname}

2.启动TensorBoard

tensorboard --logdir="./tensorboard" --host=127.0.0.1

出现报错：

因为numpy版本太高，修改numpy版本：

pip uninstall numpy

pip install numpy==1.16.0

地址：127.0.0.1:6006

4.1.3常见OP

• 所有的定义，以tensorflow定义数据都是op
• op是一个运算节点，返回的是数据的tensor

# 后边的0是不变的，前边的名称是唯一的_自增
Tensor("Const_2:0", shape=(), dtype=int32)

?并且每一个op指令都对应一个唯一的名称，如上面的Const_2:0

指定op名称：

#name属性

a_t = tf.constant(10,name="a_t")

变量op:

tensorflow变量是表示程序处理的共享持久状态的最佳方法，变量通过tf.Variable OP类进行操作，变量的特点：

• 存储持久化
• 可修改值
• 可指定被训练

tf.Variable(initial_value=None,trainable=True,collections=None,name=None)

• initial_value:初始化的值
• trainable:是否被训练
• collections:新变量将添加到列出的图的集合中collections，默认为[GraphKeys.GLOBAL_VARIABLES]，如果trainable是True变量也被添加到图形集合GraphKeys.TRAINABLE_VARIABLES
• 变量需要显示初始化，才能运行值

a = tf.Variable(initial_value=3)
b = tf.Variable(initial_value=4)
c = tf.add(a,b)
#手动初始化变量
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    print("结果:",sess.run(c))

4.1.4会话

一个运行tensorflow operation的类。

在控制台中，可以使用tf.InteractiveSession()开启一个session。

1. tf.Session()

tf.Session(target='',graph=None,config=None)

• target：为空（默认），会话将仅使用本地计算机中的设备，可以指定grpc://网址，以便指定TensorFlow服务器的地址，这使得会话可以访问该服务器控制的计算机上的所有设备。
• graph：默认情况下，新的tf.Session将绑定当前的默认图。
• config：此参数允许指定一个tf.ConfigProto以便控制会话的行为。例如，ConfigProto协议用于打印设备使用信息。

tf.Session(config=tf.ConfigProto(allow_soft_placement=True,log_device_placement=True))

运行结果：?

a_t: (Const): /job:localhost/replica:0/task:0/device:CPU:0
2021-07-05 16:55:14.537052: I tensorflow/core/common_runtime/placer.cc:1059] a_t: (Const)/job:localhost/replica:0/task:0/device:CPU:0
b_t: (Const): /job:localhost/replica:0/task:0/device:CPU:0
2021-07-05 16:55:14.542800: I tensorflow/core/common_runtime/placer.cc:1059] b_t: (Const)/job:localhost/replica:0/task:0/device:CPU:0

指定运行的cpu:

tf.device("job:localhost/replica:0/task:0/device:CPU:0")

2. run()

run(fetches,feed_dict=None,options=None,run_metadata=None)

• 通过使用sess.run()来运行
• fetches：单一的operation,或者列表、元组（不属于tensorflow的类型不行）
• feed_dict：参数允许调用者覆盖图中张量的值，运行时赋值，与tf.placeholder搭配使用，则会检查值的形状是否与占位符兼容【实际上基本不用】

例子：

a = tf.placeholder(tf.float32)
b = tf.placeholder(tf.float32)
sum_add = tf.add(a,b)
print("sum_add:",sum_add)
#开启会话
with tf.Session() as sess:
    r = sess.run(sum_add,feed_dict={a:3.0,b:4.0})
    print("结果：",r)

使用tf.operation.eval()也可以运行operation,需要在会话中运行：

a = tf.constant(5.0)
b = tf.constant(6.0)
c = tf.add(a,b)
#创建会话
sess = tf.Session()
#计算C的值
print(sess.run(c))
#必须在session上下文环境中
print(c.eval(session = sess))

3. feed操作

run()中的feed_dict属性。

4.1.5张量（Tensor）

其实就是一个n维数组，类型为tf.Tensor。tensor具有以下两个重要的属性：

• type：数据类型
• shape：形状(阶)

1.张量的类型

2.张量的阶

3.张量的指令

• 固定值张量

#创建所有元素设置为零的张量，此操作返回一个dtype具有形状shape和所有的元素设置为零的类型的张量
tf.zeross(shape,dtype=tf.float32,name=None)

#给tensor定单张量，此操作返回tensor与所有元素设置为零相同的类型和形状的张量
tf.zeros_like(tensor,dtype=None,name=None)

#创建一个所有元素设置为1的张量，此操作返回一个类型的张量，dtype形状shape和所有元素设置为1
tf.ones(shape,dtype=tf.float32,name=None)

#给tensor定单张量，此操作返回tensor与所有元素设置为1相同的类型和形状的张量
tf.ones_like(tensor,dtype=None,name=None)

#创建一个填充了标量值的张量，此操作返回一个张量的形状dims并填充它value
tf.fill(dims,value,name=None)

#创建一个常数张量
tf.constant(value,dtype=None,shape=None,name='Const')

• 随机值张量

#从截断的正太分布中输出随机值，和tf.random_normal()一样，但是所有数字都不能超过两个标准差
tf.truncated_normal(shape,mean=0.0,stddev=1.0,dtype=tf.float32,seed=None,name=None)

#从正态分布中输出随机值，有随机正态分布的数字组成的矩阵
#mean平均值
#stddev标准差
tf.random_normal(shape,mean=0.0,stddev=1.0,dtype=tf.float32,seed=None,name=None)

• 类型转换

tf.cast(x,dtype,name=None)

• 形状转换

# tf.reshape(a,[2,3])
#新的张量
tf.reshape(x,shape)
#设置一开始不清楚的张量
#设置了一次了就不能再设置了
tf.set_shape([4,5])

五、Tensorflow版本对比

Tensorflow 2.0的许多优化器与1.0的不同，编写代码时找不到，看了下官方文档，在此记录下。

Convert v1.train to keras.optimizers
Here are things to keep in mind when converting your optimizers:

升级您的优化器可能使旧的检查点不兼容。
所有的epsilons（应该是α β之类的参数）现在默认为1e-7而不是1e-8(在大多数情况下可以忽略不计)。
v1.train.GradientDescentOptimizer 可以直接被替换为 tf.keras.optimizers.SGD.
v1.train.MomentumOptimizer 可以直接被替换为 SGD 优化器， 使用动量参数: tf.keras.optimizers.SGD(…, momentum=…).
v1.train.AdamOptimizer 可以转换为tf.keras.optimizers.Adam. 参数 beta1 和 beta2 重命名为 beta_1 和 beta_2.
v1.train.RMSPropOptimizer 可以转换为 tf.keras.optimizers.RMSprop. 参数decay 重命名为 rho.
v1.train.AdadeltaOptimizer 可以直接转换为 tf.keras.optimizers.Adadelta.
tf.train.AdagradOptimizer 可以直接转换为 tf.keras.optimizers.Adagrad.
tf.train.FtrlOptimizer 可以直接转换为 tf.keras.optimizers.Ftrl. 参数 accum_name 和 linear_name arguments 已经被移除.
The tf.contrib.AdamaxOptimizer 和 tf.contrib.NadamOptimizer, 可以直接转换为 tf.keras.optimizers.Adamax 和 tf.keras.optimizers.Nadam. 参数 beta1 和 beta2 重命名为 beta_1 和 beta_2.? ? ? ? ? ? ? ??

关注博主即可阅读全文