用 TensorFlow 构建强大的AI模型：深度学习从零开始！

本文链接：https://blog.csdn.net/2301_76161259/article/details/144352994

今儿个咱聊聊TensorFlow，这玩意儿可是构建强大AI模型的一大利器。深度学习听起来高大上，其实掰开了揉碎了，也没那么难。跟着猫哥走，保证你入门！

前排提示，文末有大模型AGI-CSDN独家资料包哦！

##TensorFlow是个啥？

TensorFlow，谷歌出品，开源的，专门搞机器学习和深度学习的。简单来说，它就像个超级计算器，能处理巨量的数据，帮你训练AI模型。想象一下，你训练一只猫认图，得给它看成千上万张图片，TensorFlow就帮你快速处理这些图片，让你的猫（AI模型）快速学会认东西。

##数据类型，跑不掉

在TensorFlow里，数据都用张量（Tensor）表示，可以理解为多维数组。一维的叫向量，二维的叫矩阵，三维及以上的就统称张量。别被这名字吓到，其实就是一堆数字排排坐，分好组。

importtensorflowastf  
  
#创建一个常量张量  
hello=tf.constant('Hello,TensorFlow!')  
print(hello)#输出：tf.Tensor(b'Hello,TensorFlow!',shape=(),dtype=string)  
  
#创建一个变量张量  
a=tf.Variable(3,dtype=tf.int32)  
b=tf.Variable(4,dtype=tf.int32)  
c=a+b  
print(c)#输出：tf.Tensor(7,shape=(),dtype=int32)

你看，tf.constant创建的是常量，tf.Variable创建的是变量。变量的值可以改，常量的就不行啦。

##计算图，走一波

TensorFlow用计算图来表示计算过程。每个节点代表一个操作，边表示数据流动。就像做菜，切菜、炒菜、装盘，一步步来。

#定义两个输入节点  
x=tf.constant(2.0)  
y=tf.constant(3.0)  
  
#定义加法操作  
z=x+y  
  
#执行计算图  
print(z)#输出：tf.Tensor(5.0,shape=(),dtype=float32)

这段代码，x、y是输入，z是输出，加法就是操作。是不是挺像流水线的？

##训练模型，有诀窍

训练AI模型，就像教小猫认东西。给它看图片，告诉它这是啥，反复训练，它就记住了。这个过程叫监督学习。

#简化的线性回归模型示例  
importtensorflowastf  
importnumpyasnp  
  
#创建一些训练数据  
X=np.array([1,2,3,4],dtype=float)  
Y=np.array([2,4,6,8],dtype=float)  
  
#创建模型参数（待训练）  
W=tf.Variable(0.0)  
b=tf.Variable(0.0)  
  
  
#定义模型  
defmodel(x):  
returnW*x+b  
  
  
#定义损失函数(均方误差)  
defloss(y_true,y_pred):  
returntf.reduce_mean(tf.square(y_true-y_pred))  
  
  
#定义优化器  
optimizer=tf.optimizers.SGD(learning_rate=0.01)  
  
#训练循环  
forepochinrange(100):#训练100轮  
withtf.GradientTape()astape:  
y_pred=model(X)  
current_loss=loss(Y,y_pred)  
  
#计算梯度  
gradients=tape.gradient(current_loss,[W,b])  
  
#更新模型参数  
optimizer.apply_gradients(zip(gradients,[W,b]))  
  
print("训练后的W:",W.numpy())#接近2  
print("训练后的b:",b.numpy())#接近0

温馨提示：learning_rate学习率，就像小猫学习的速度，太快容易学错，太慢又学得慢。

##Keras，更简单

Keras是TensorFlow的高层API，用起来更简单。就像组装积木，搭积木比自己做积木简单多了吧？

importtensorflowastf  
  
#定义一个简单的顺序模型  
model=tf.keras.Sequential([  
tf.keras.layers.Dense(10,activation='relu',input_shape=(100,)),#输入层，100个神经元  
tf.keras.layers.Dense(1,activation='sigmoid')#输出层，1个神经元  
])  
  
#编译模型  
model.compile(optimizer='adam',#优化器  
loss='binary_crossentropy',#损失函数  
metrics=['accuracy'])#评估指标  
  
#虚拟训练数据  
x_train=tf.random.normal((1000,100))#1000个样本，每个样本100个特征  
y_train=tf.random.uniform((1000,1),minval=0,maxval=2,dtype=tf.int64)  
  
  
#训练模型  
model.fit(x_train,y_train,epochs=10,batch_size=32)#训练10轮，每批32个样本

##实战一下

用TensorFlow做个手写数字识别，MNIST数据集很经典。

importtensorflowastf  
  
#加载MNIST数据集  
mnist=tf.keras.datasets.mnist  
(x_train,y_train),(x_test,y_test)=mnist.load_data()  
  
#归一化数据  
x_train,x_test=x_train/255.0,x_test/255.0  
  
#构建模型  
model=tf.keras.models.Sequential([  
tf.keras.layers.Flatten(input_shape=(28,28)),  
tf.keras.layers.Dense(128,activation='relu'),  
tf.keras.layers.Dropout(0.2),  
tf.keras.layers.Dense(10,activation='softmax')  
])  
  
#编译模型  
model.compile(optimizer='adam',  
loss='sparse_categorical_crossentropy',  
metrics=['accuracy'])  
  
#训练模型  
model.fit(x_train,y_train,epochs=5)  
  
#评估模型  
model.evaluate(x_test,y_test,verbose=2)

这只是一个简单的例子，还有很多高级的玩法，慢慢探索吧！

今儿个就到这儿，TensorFlow博大精深，咱慢慢学，不着急！

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：