TensorFlow快速入门与学习建议

一、TensorFlow介绍

深度学习框架TensorFlow一经发布，就受到了广泛的关注，并在计算机视觉、音频处理、推荐系统和自然语言处理等场景下都被大面积推广使用，现在已发布2.3.0版本，接下来我们深入浅出的介绍Tensorflow的相关应用。

TensorFlow的依赖视图如下所示：

• TF托管在github平台，有google groups和contributors共同维护。
• TF提供了丰富的深度学习相关的API，支持Python和C/C++接口。
• TF提供了可视化分析工具Tensorboard，方便分析和调整模型。
• TF支持Linux平台，Windows平台，Mac平台，甚至手机移动设备等各种平台。

TensorFlow 2.0 将专注于简单性和易用性：

1、使用tf.data加载数据。 使用tf.data实例化读取训练数据和测试数据

2、模型的建立与调试： 使用动态图模式 Eager Execution 和著名的神经网络高层 API 框架 Keras，结合可视化工具 TensorBoard，简易、快速地建立和调试模型；

3、模型的训练： 支持 CPU / 单 GPU / 单机多卡 GPU / 多机集群 / TPU 训练模型，充分利用海量数据和计算资源进行高效训练；

4、预训练模型调用： 通过 TensorFlow Hub，可以方便地调用预训练完毕的已有成熟模型。

5、模型的部署： 通过 TensorFlow Serving、TensorFlow Lite、TensorFlow.js 等组件，可以将TensorFlow 模型部署到服务器、移动端、嵌入式端等多种使用场景；

二、TensorFlow的安装

安装 TensorFlow在64 位系统上测试这些系统支持 TensorFlow：

• Ubuntu 16.04 或更高版本
• Windows 7 或更高版本
• macOS 10.12.6 (Sierra) 或更高版本（不支持 GPU）

进入虚拟环境当中再安装。推荐使用anoconda进行安装

• 1、非GPU版本安装

ubuntu安装

pip install tensorflow==2.3.0 -i https://pypi.tuna.tsinghua.edu.cn/simple1.

• 2、GPU版本安装

pip install tensorflow-gpu==2.3.0 -i https://pypi.tuna.tsinghua.edu.cn/simple1.

注：如果需要下载GPU版本的（TensorFlow只提供windows和linux版本的，没有Macos版本的）。

三、张量及其操作

张量Tensor

张量是一个多维数组。 与NumPy ndarray对象类似，tf.Tensor对象也具有数据类型和形状。如下图所示：

此外，tf.Tensors可以保留在GPU中。 TensorFlow提供了丰富的操作库（tf.add，tf.matmul，tf.linalg.inv等），它们使用和生成tf.Tensor。在进行张量操作之前先导入相应的工具包：

import tensorflow as tfimport numpy as np1.2.

1.基本方法

首先让我们创建基础的张量：

# 创建int32类型的0维张量，即标量rank_0_tensor = tf.constant(4)print(rank_0_tensor)# 创建float32类型的1维张量rank_1_tensor = tf.constant([2.0, 3.0, 4.0])print(rank_1_tensor)# 创建float16类型的二维张量rank_2_tensor = tf.constant([[1, 2],                             [3, 4],                             [5, 6]], dtype=tf.float16)print(rank_2_tensor)1.2.3.4.5.6.7.8.9.10.11.

输出结果为：

tf.Tensor(4, shape=(), dtype=int32)tf.Tensor([2. 3. 4.], shape=(3,), dtype=float32)tf.Tensor([[1. 2.] [3. 4.] [5. 6.]], shape=(3, 2), dtype=float16)1.2.3.4.5.6.

我们也可以创建更高维的张量：

# 创建float32类型的张量rank_3_tensor = tf.constant([  [[0, 1, 2, 3, 4],   [5, 6, 7, 8, 9]],  [[10, 11, 12, 13, 14],   [15, 16, 17, 18, 19]],  [[20, 21, 22, 23, 24],   [25, 26, 27, 28, 29]],])print(rank_3_tensor)1.2.3.4.5.6.7.8.9.10.

该输出结果我们有更多的方式将其展示出来：

2.转换成numpy

我们可将张量转换为numpy中的ndarray的形式，转换方法有两种，以张量rank_2_tensor为例：

• np.array

np.array(rank_2_tensor)1.

• Tensor.numpy()

rank_2_tensor.numpy()1.

3.常用函数

我们可以对张量做一些基本的数学运算，包括加法、元素乘法和矩阵乘法等：

# 定义张量a和ba = tf.constant([[1, 2],                 [3, 4]])b = tf.constant([[1, 1],                 
[1, 1]]) print(tf.add(a, b), "\n") # 计算张量的和print(tf.multiply(a, b), "\n") 
# 计算张量的元素乘法print(tf.matmul(a, b), "\n") # 计算乘法1.2.3.4.5.6.7.8.9.

输出结果为：

tf.Tensor([[2 3] [4 5]], shape=(2, 2), dtype=int32) tf.Tensor([[1 2] [3 4]], shape=(2, 2), 
dtype=int32) tf.Tensor([[3 3] [7 7]], shape=(2, 2), dtype=int32)1.2.3.4.5.6.7.8.9.10.11.

另外张量也可用于各种聚合运算：

tf.reduce_sum()  # 求和tf.reduce_mean() # 平均值tf.reduce_max()  # 最大值tf.reduce_min()  
# 最小值tf.argmax() # 最大值的索引tf.argmin() # 最小值的索引1.2.3.4.5.6.

例如：

c = tf.constant([[4.0, 5.0], [10.0, 1.0]])# 最大值print(tf.reduce_max(c))
# 最大值索引print(tf.argmax(c))# 计算均值print(tf.reduce_mean(c))1.2.3.4.5.6.7.

输出为：

tf.Tensor(10.0, shape=(), dtype=float32)tf.Tensor([1 0], shape=(2,), dtype=int64)tf
.Tensor(5.0, shape=(), dtype=float32)1.2.3.

4.变量

变量是一种特殊的张量，形状是不可变，但可以更改其中的参数。定义时的方法是：

my_variable = tf.Variable([[1.0, 2.0], [3.0, 4.0]])1.

我们也可以获取它的形状，类型及转换为ndarray:

print("Shape: ",my_variable.shape)print("DType: ",my_variable.dtype)print("As NumPy: ", 
my_variable.numpy)1.2.3.

输出为：

Shape:  (2, 2)DType:  <dtype: 'float32'>As NumPy:  <bound method BaseResourceVariable.numpy of <tf
.Variable 'Variable:0' shape=(2, 2) dtype=float32, numpy=array([[1., 2.],       [3., 4.]], 
dtype=float32)>>1.2.3.4.5.

四、tf.keras介绍

tf.keras是TensorFlow 2.0的高阶API接口，为TensorFlow的代码提供了新的风格和设计模式，大大提升了TF代码的简洁性和复用性，官方也推荐使用tf.keras来进行模型设计和开发。

4.1 常用模块

tf.keras中常用模块如下表所示：

4.2 常用方法

深度学习实现的主要流程：1.数据获取，2，数据处理，3.模型创建与训练，4 模型测试与评估，5.模型预测

1.导入tf.keras

使用 ​​tf.keras​​​，首先需要在代码开始时导入​​tf.keras​​

import tensorflow as tffrom tensorflow import keras1.2.

2.数据输入

对于小的数据集，可以直接使用numpy格式的数据进行训练、评估模型，对于大型数据集或者要进行跨设备训练时使用tf.data.datasets来进行数据输入。

3.模型构建

• 简单模型使用Sequential进行构建
• 复杂模型使用函数式编程来构建
• 自定义layers

4.训练与评估

• 配置训练过程：

# 配置优化方法，损失函数和评价指标model.compile(optimizer=tf.train.AdamOptimizer(0.001),              
loss='categorical_crossentropy',              metrics=['accuracy'])1.2.3.4.

• 模型训练

# 指明训练数据集，训练epoch,批次大小和验证集数据model.fit/fit_generator(dataset, epochs=10,                         
batch_size=3,          validation_data=val_dataset,          )1.2.3.4.5.

• 模型评估

# 指明评估数据集和批次大小model.evaluate(x, y, batch_size=32)1.2.

• 模型预测

# 对新的样本进行预测model.predict(x, batch_size=32)1.2.

5.回调函数（callbacks）

回调函数用在模型训练过程中，来控制模型训练行为，可以自定义回调函数，也可使用tf.keras.callbacks 内置的 callback ：

ModelCheckpoint：定期保存 checkpoints。 LearningRateScheduler：动态改变学习速率。 EarlyStopping：当验证集上的性能不再提高时，终止训练。 TensorBoard：使用 TensorBoard 监测模型的状态。

6.模型的保存和恢复

• 只保存参数

# 只保存模型的权重model.save_weights('./my_model')# 加载模型的权重model.load_weights('my_model')1.2.3.4.

• 保存整个模型

# 保存模型架构与权重在h5文件中model.save('my_model.h5')# 加载模型：包括架构和对应的权重model = keras.models
.load_model('my_model.h5')1.2.3.4.

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