TensorFlow在公司数据分析中的应用与简介

TensorFlow是什么

Tensorflow是一个Google开发的第二代机器学习系统，克服了第一代系统DistBelief仅能开发神经网络算法、难以配置、依赖Google内部硬件等局限性，应用更加广泛，并且提高了灵活性和可移植性，速度和扩展性也有了大幅提高。字面上理解，TensorFlow就是以张量（Tensor）在计算图（Graph）上流动（Flow）的方式的实现和执行机器学习算法的框架。具有以下特点：

灵活性。TensorFlow不是一个严格的“神经网络”库。只要可以将计算表示成数据流图，就可以使用TensorFlow，比如科学计算中的偏微分求解等。（实际上其官网的介绍中对TF的定位就是基于数据流图的科学计算库，而非仅仅是机器学习库）
可移植性。同一份代码几乎不经过修改既可以部署到有任意数量CPU、GPU或TPU（Tensor Processing Unit，Google专门为机器学习开发的处理器）的PC、服务器或移动设备上。
自动求微分。同Theano一样，TensorFlow也支持自动求微分，用户不需要再通过反向传播求解梯度。
多语言支持。TensorFlow官方支持Python、C++、Go和Java接口，用户可以在硬件配置较好的机器中用Python进行实验，在资源较紧张或需要低延迟的环境中用C++进行部署。
性能。虽然TensorFlow最开始发布时仅支持单机，在性能评测上并不出色，但是凭借Google强大的开发实力，TensorFlow性能已经追上了其他框架

登录后复制

Google第一代分布式机器学习框架DistBelief在内部大规模使用后没有选择开源，而第二代TensorFlow于2015年11月在GitHub上开源，并在
持续快速开发迭代中。TensorFlow最早由Google Brain的工程师开发，设计初衷是加速机器学习的研究，并快速地将研究原型转化为产品。
Google选择开源TensorFlow的原因很简单：第一是希望借助社区的力量，大家一起完善TensorFlow。第二是回馈社区，Google希望让这个优秀的
工具得到更多的应用，提高学术界和工业界使用机器学习的效率。





登录后复制

自从2015年11月开源以来，TensorFlow迅速在众多的机器学习框架中脱颖而出，在Github上获得了最多的Star

Google第一代分布式机器学习框架DistBelief在内部大规模使用后没有选择开源，而第二代TensorFlow于2015年11月在GitHub上开源，并在持续快速开发迭代中。TensorFlow最早由Google Brain的工程师开发，设计初衷是加速机器学习的研究，并快速地将研究原型转化为产品。Google选择开源TensorFlow的原因很简单：第一是希望借助社区的力量，大家一起完善TensorFlow。第二是回馈社区，Google希望让这个优秀的工具得到更多的应用，提高学术界和工业界使用机器学习的效率。

自从2015年11月开源以来，TensorFlow迅速在众多的机器学习框架中脱颖而出，在Github上获得了最多的Star.

安装 pip install tensorflow

安装时会安装以下依赖

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

设置变量

登录后复制

import tensorflow as tf

# python创建变量
a = 3

# tensorflow创建一个变量Variable
# 创建横向量
w = tf.Variable([[0.5, 1.0]])
# 创建竖向量
x = tf.Variable([[4.0], [1.0]])

# 横向量乘以竖向量matmul
y = tf.matmul(w, x)

# 全局变量初始化global_variables_initializer
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    # 执行计算run
    sess.run(init_op)
    # 打印结果eval
    
    
    
    
    
    登录后复制

[[ 2.]]

注意：如果PyCharm提示以下信息，加两行代码即可
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'
#默认为0：输出所有log信息
#设置为1：进一步屏蔽INFO信息
#设置为2：进一步屏蔽WARNING信息

#设置为3：进一步屏蔽ERROR信息

登录后复制

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

# python创建变量
a = 3

# tensorflow创建一个变量Variable
# 创建横向量
w = tf.Variable([[0.5, 1.0]])
# 创建竖向量
x = tf.Variable([[4.0], [1.0]])

# 横向量乘以竖向量matmul
y = tf.matmul(w, x)

# 全局变量初始化global_variables_initializer
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    # 执行计算run
    sess.run(init_op)
    # 打印结果eval
    print(y.eval（))

tensorflow很多操作跟numpy有些类似的

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]

随机

登录后复制

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

# 生成的值服从具有指定平均值和标准偏差的正态分布
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)

# 每一次执行结果都会不同
sess = tf.Session()
print(sess.run(norm))
print(sess.run(shuff))





登录后复制

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

循环加1

登录后复制

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重新赋值
update = tf.assign(state, new_value)

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

登录后复制

加减乘除

登录后复制

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  # 二者等价
# （2）减法-
ts_sub1 = tf.subtract(ts1, ts2, name=None)
ts_sub2 = ts1 - ts2  # 二者等价
# （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可不同)
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

登录后复制

import tensorflow as tf
import os

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

# 理解为挖一个32的坑
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)

# 两个坑相乘
output = tf.multiply(input1, input2)

with tf.Session() as sess:
    # 分别向两个坑填数据feed_dict
    print(sess.run([output], feed_dict={input1: [7.], input2: [2.]}))

登录后复制

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

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删

返回上级列表

请

联系我们

下一篇: TensorFlow初探：了解TensorFlow的基本概念和功能 >