Tensorflow入门（1）——深度学习框架Tesnsflow入门 &amp； 环境配置 &amp； 认识Tensorflow(1)

最新推荐文章于 2024-05-21 12:33:43 发布
最新推荐文章于 2024-05-21 12:33:43 发布
阅读量910 收藏 21
点赞数 13
分类专栏： 程序员 文章标签： 单元测试 功能测试 学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_84141293/article/details/138641630
版权

img
img
img

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上软件测试知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化的资料的朋友，可以戳这里获取

	- [（2）张量变换](#2_290)
+ [5.变量OP——模型参数](#5OP_304)
+ - [作用域——使得代码图清晰](#_340)
	- [增加变量显示——观察变化](#_355)
+ [6.事件文件与可视化](#6_374)
+ - [1.在保存的事件文件所在的文件中输入 cmd](#1__cmd_410)
	- [2.依次输输入](#2_414)
	- [3.火狐浏览器打开](#3_422)
+ [案例：线性回归](#_430)
+ - [版本一：trainable参数](#trainable_450)
	- [版本2：变量作用域](#2_504)
	- [版本3：增加变量显示](#3_559)
+ [7.模型保存和加载](#7_624)
+ - [版本4：加载之前训练好的模型](#4_637)
+ [8.自定义命令行参数](#8_709)

一、环境配置

1.Anaconda以及Tensorflow的安装

1.anaconda以及Tensorflow的安装：
https://blog.csdn.net/qq_33505204/article/details/81584257
2.Anaconda详细安装及使用教程：
https://blog.csdn.net/ITLearnHall/article/details/81708148
3.windows平台下，TensorFlow的安装、卸载以及遇到的各种错误：
https://blog.csdn.net/qq_27245699/article/details/81050035

在这里插入图片描述

2.CONDA环境安装

CONDA环境安装：
conda : data science package & environment manager
创建环境:conda create --name python3 python=3
切换环境:
windows :activate python3
linux/macos : source activate python3
官方地址: https://www.anaconda.com/download/

在这里插入图片描述

3.测试是否成功

在这里插入图片描述

import tensorflow as tf
hello=tf.constant('hello')
sess=tf.Session()
print(sess.run(hello))

from keras import backend
print(backend._BACKEND)

常用命令

显示环境 conda info --envs
进入环境 activate tensorflow
pip uninstall keras
pip uninstall keras-preprocessing -y
pip install keras

二、认识TensorFlow

tensor: 张量
operation:(op): 专⻔门运算的操作节点，所有操作都是⼀个op
图：graph:你的整个程序的结构
会话：运算程序的图

import tensorflow as tf
############ 去除警告
import os
os.environ["TF\_CPP\_MIN\_LOG\_LEVEL"]="2"
# 实现一个加法运算
a = tf.constant(5.0)
b = tf.constant(6.0)
sum1 = tf.add(a, b)

with tf.Session() as sess:
    print(sess.run(sum1))

在这里插入图片描述

1.图 Graph()

图默认已经注册，一组表示 tf.Operation计算单位的对象和tf.Tensor
表示操作之间流动的数据单元的对象

获取调用：

  • tf.get_default_graph()
  • op、sess或者tensor 的graph属性

创建图：

  • tf.Graph() ：使用新创建的图
import tensorflow as tf
############ 去除警告
import os
os.environ["TF\_CPP\_MIN\_LOG\_LEVEL"]="2"
# 创建一张图，上下文环境
# 图包含了一组op和tensor
# op:只要使用tensorflow的API定义的函数都是OP
# tensor：就指代的是数据
g = tf.Graph()

print(g)
with g.as\_default():
    c = tf.constant(11.0)
    print(c.graph)

# 实现一个加法运算
a = tf.constant(5.0)
b = tf.constant(6.0)
sum1 = tf.add(a, b)

# 默认的这张图，相当于是给程序分配一段内存
graph = tf.get\_default\_graph()
print(graph)
#只能运行一个图
with tf.Session() as sess:
    print(sess.run(sum1))
    print(a.graph)
    print(sum1.graph)

在这里插入图片描述

2.会话 Session()

在这里插入图片描述
在这里插入图片描述

• tf.Session()
运行TensorFlow操作图的类，使用默认注册的图（可以指定运行图）
• 会话资源
会话可能拥有很多资源，如 tf.Variable，tf.QueueBase
和tf.ReaderBase，会话结束后需要进行资源释放

  1. sess = tf.Session() sess.run(…) sess.close()
  2. 使用上下文管理器
    with tf.Session() as sess:
    sess.run(…)
    • config=tf.ConfigProto(log_device_placement=True)
    • 交互式：tf.InteractiveSession()
import tensorflow as tf
############ 去除警告
import os
os.environ["TF\_CPP\_MIN\_LOG\_LEVEL"]="2"
# 创建一张图，上下文环境
# 图包含了一组op和tensor
# op:只要使用tensorflow的API定义的函数都是OP
# tensor：就指代的是数据
# 实现一个加法运算
a = tf.constant(5.0)
b = tf.constant(6.0)
sum1 = tf.add(a, b)

# 默认的这张图，相当于是给程序分配一段内存
graph = tf.get\_default\_graph()
print(graph)
# 看出程序在哪里运行
# 只要有上下文环境，就可以方便使用eval（）
with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:
    print(sess.run(sum1))
    print(sum1.eval())
    print(a.graph)
    print(sum1.graph)

会话的run()方法

在这里插入图片描述

import tensorflow as tf
############ 去除警告
import os
os.environ["TF\_CPP\_MIN\_LOG\_LEVEL"]="2"
# 创建一张图，上下文环境# 图包含了一组op和tensor
# op:只要使用tensorflow的API定义的函数都是OP# tensor：就指代的是数据

# 实现一个加法运算
a = tf.constant(5.0)
b = tf.constant(6.0)
sum1 = tf.add(a, b)
var1=3
## 有重载的机制,默认会给运算符重载成op类型
sum2 = a + var1
print(sum2)
# 训练模型
# 实时的提供数据去进行训练
# placeholder是一个占位符,feed_dict一个字典
plt = tf.placeholder(tf.float32, [2, 3])
plt2=tf.placeholder(tf.float32,[None,3])
print(plt)
# 只要有上下文环境，就可以方便使用eval（）# 看出程序在哪里运行
with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:
    print(sess.run([a,b,sum1,sum2]))
    print(sess.run(plt,feed_dict={plt:[[1, 2, 3], [4, 5, 36]]}))
    print(sess.run(plt2, feed_dict={plt2: [[1, 2, 3], [4, 5, 36],[3,4,6]]}))
    print(sum1.eval())#输出结果
    print(a.graph)
    print(sum1.graph)

Tensorflow Feed操作
意义：在程序执行的时候,不确定输入的是什么，提前“占个坑”
语法：placeholder提供占位符，run时候通过feed_dict指定参数

3.张量 Tensor

要点：
• Tensorflow基本的数据格式
• 一个类型化的N维度数组（tf.Tensor）
• 三部分，名字，形状，数据类型

（1）张量的形状

在这里插入图片描述

（2）数据类型

在这里插入图片描述

张量属性：
• graph 张量所属的默认图
• op 张量的操作名
• name 张量的字符串描述
• shape 张量形状

with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:
    print(sess.run([a,b,sum1,sum2]))
    print(sess.run(plt,feed_dict={plt:[[1, 2, 3], [4, 5, 36]]}))
    print(sess.run(plt2, feed_dict={plt2: [[1, 2, 3], [4, 5, 36],[3,4,6]]}))
    print(sum1.eval())#输出结果
    print(a.graph)
    print(a.shape)
    print(a.name)
    print(a.op)
张量的动态形状与静态形状

在这里插入图片描述

import tensorflow as tf
############ 去除警告
import os
os.environ["TF\_CPP\_MIN\_LOG\_LEVEL"]="2"
#tensorflow中的形状：
# 0维:()   1维：(5)   2维：(5,6)  3维：（2，3，4）2张3行4列的表
# 形状的概念
# 静态形状和动态性状
# 对于静态形状来说，一旦张量形状固定了，不能再次设置静态形状, 不能夸维度修改 1D->1D 2D->2D
# 动态形状可以去创建一个新的张量,改变时候一定要注意元素数量要匹配  1D->2D  1->3D

plt=tf.placeholder(tf.float32,[None,2])
print(plt)
plt.set\_shape([3,2])
print(plt)

plt_reshape=tf.reshape(plt,[2,3])
print(plt_reshape)
with tf.Session() as sess:
    pass

1、转换静态形状的时候，1-D到1-D，2-D到2-D，不能跨阶数改变形状
2、对于已经固定或者设置静态形状的张量／变量，不能再次设置静态形状
3、tf.reshape()动态创建新张量时，元素个数不能不匹配

4.张量操作

（1）生成张量

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

（2）张量变换

在这里插入图片描述
在这里插入图片描述
切片与扩展
tf.concat(values, axis, name=‘concat’)

• 算术运算符
• 基本数学函数
• 矩阵运算
• 减少维度的运算(求均值)
• 序列运算

5.变量OP——模型参数

• 变量也是一种OP，是一种特殊的张量，能够进行存储持久化，它的值就是张量

在这里插入图片描述
变量的初始化

tf.global_variables_initializer() 添加一个初始化所有变量的op，在会话中开启

import tensorflow as tf
############ 去除警告
import os
os.environ["TF\_CPP\_MIN\_LOG\_LEVEL"]="2"
a=tf.constant([1,2,3,4])
var = tf.Variable(tf.random\_normal([2,3],mean=0,stddev=1.0))
print(a,var)
#必须做一个显示的初始化
init_op=tf.global\_variables\_initializer()
with tf.Session() as sess:
    #必须运行初始化op
    sess.run(init_op)
    print(sess.run([a,var]))
    pass
# 变量op
# 1、变量op能够持久化保存，普通张量op是不行的
# 2、当定义一个变量op的时候，一定要在会话当中去运行初始化
# 3、name参数：在tensorboard使用的时候显示名字，可以让相同op名字的进行区分
作用域——使得代码图清晰

在这里插入图片描述

tf.variable_scope(<scope_name>)
创建指定名字的变量作用域
观察变量的name改变？

嵌套使用变量作用域
观察变量的name改变？

tensorflow变量作用域的作用：
• 让模型代码更加清晰，作用分明

增加变量显示——观察变化

1.收集变量
       tf.summary.scalar( name =” ”, tensor )
       收集对于损失函数和准确率等单值变量，name为变量名字，tensor为值
       tf.summary.histogram( name =” ”, tensor )
       收集高纬度的变量参数
       tf.summary.image( name =” ”, tensor )
       收集输入的图片，张量能显示图片
2.合并变量，写入事件文件
       merged = tf.summary.merge_all( )
       运行合并：summary = sess.run( merged ) 每次迭代都需要运行
       添加： filewriter.add_summary(summary,i) i表示第几次的值

目的：
观察模型的参数，损失等变量值的变化

6.事件文件与可视化

在这里插入图片描述
在这里插入图片描述

数据序列化-events文件
TensorBoard 通过读取 TensorFlow 的事件文件来运行

tf.summary.FileWriter(‘/tmp/tensorflow/summary/test/’, graph=default_graph)
返回filewriter,写入事件文件到指定目录(最好用绝对路径)，以提供给tensorboard使用

开启
Tensorboard --logdir=”./tmp/tensorflow/summary/test/”
一般浏览器打开为127.0.0.1:6006

注：修改程序后，再保存一遍会有新的事件文件，打开默认为最新

在这里插入图片描述

import tensorflow as tf
############ 去除警告
import os
os.environ["TF\_CPP\_MIN\_LOG\_LEVEL"]="2"
a=tf.constant([1,2,3,4])
var = tf.Variable(tf.random\_normal([2,3],mean=0,stddev=1.0))
print(a,var)
#必须做一个显示的初始化
init_op=tf.global\_variables\_initializer()
with tf.Session() as sess:
    #必须运行初始化op
    sess.run(init_op)
    # 把程序的图结构写入事件文件，graph：把指定的图写进事件文件当中
    filewriter=tf.summary.FileWriter('./py_tensflow/', graph=sess.graph)
    pass

Tensorboard --logdir=” F:/python/py_tensflow/”
文件路径 ，没有名字

1.在保存的事件文件所在的文件中输入 cmd

在这里插入图片描述
在这里插入图片描述

2.依次输输入
conda info --envs
activate tensorflow
Tensorboard --logdir=" F:/python/py\_tensflow/"
3.火狐浏览器打开

历史记录中打开即可
http://DESKTOP-PJDM5BE:6006

在这里插入图片描述

案例：线性回归

Tensorflow运算API

img
img
img

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上软件测试知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化的资料的朋友，可以戳这里获取

ython/py_tensflow/"


#### 3.火狐浏览器打开


历史记录中打开即可  
 http://DESKTOP-PJDM5BE:6006


![在这里插入图片描述](https://img-blog.csdnimg.cn/94c337bd33a0431b986ebdb0c1a500b5.png)


### 案例：线性回归


Tensorflow运算API



[外链图片转存中...(img-W0XMlYl9-1715284750562)]
[外链图片转存中...(img-FgNDJcvX-1715284750562)]
[外链图片转存中...(img-2Q3HhupU-1715284750563)]

**既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上软件测试知识点，真正体系化！**

**由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新**

**[需要这份系统化的资料的朋友，可以戳这里获取](https://bbs.csdn.net/forums/4f45ff00ff254613a03fab5e56a57acb)**
2401_84141293
关注
  • 13
    点赞
  • 踩
  • 21
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
TensorFlow的实战（详细代码）
2301_81887304的博客
12-27 2957
TensorFlow中的计算可表示为一个有向图(计算图)，其中每个运算操作为一个节点，每个节点可有任意多个输入和输出；在计算图的边中流动(flow)的数据被称为张量(tensor)，tensor在计算图中flow，故命名为TensorFlow；Session是用户使用TensorFlow的交互式接口，可通过Session的Extend方法添加新的节点和边；反复执行计算图时一般的tensor不会被持续保留，Variable中的数据tensor会被保存。自编码器，即可以使用自身的高阶特征编码自己。
教你如何使用TensorFlow框架
2301_81887304的博客
12-27 1147
​ TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理。​ Tensor（张量）意味着N维数组，Flow（流）意味着基于数据流图的计算，TensorFlow为张量从流图的一端流动到另一端的计算过程。​ TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。TensorFlow可被用于语音识别和图像识别。
TensorFlow入门与实战：搭建神经网络
qq_33578950的博客
04-10 4031
TensorFlow是一个由Google开发的机器学习框架，可以用于构建和训练神经网络。它支持多种编程语言，包括Python、C++和Java。TensorFlow提供了一系列工具和API，使得使用神经网络变得更加简单。下面是一个使用TensorFlow进行图像分类的例子。在本文中，我们介绍了 TensorFlow 的基本概念和使用方法，以及如何搭建、训练和评估神经网络模型。我们从数据预处理开始，介绍了如何使用 TensorFlow 进行数据清洗、处理和归一化。
【AI智能】TensorFlow 框架原理及使用教程
等风来
05-27 1万+
TensorFlow 是一款由 Google 开源的人工智能框架，是目前应用最广泛的深度学习框架之一。它可以在各种硬件平台上运行，包括单个 CPU、CPU 集群、GPU，甚至是分布式环境下的 CPU 和 GPU 组合。除了深度学习领域，TensorFlow 还支持其他机器学习算法和模型，如决策树SVMk-means等。同时，TensorFlow 还提供了各种高层次的 API 和工具库，如Keras等，方便开发人员进行模型构建和可视化管理。
深度学习之基于Tensorflow卷积神经网络人脸表情识别
最新发布
Q1744828575的博客
05-21 759
一、项目背景与意义人脸表情识别是计算机视觉和人工智能领域的一个重要研究方向，具有广泛的应用前景，如人机交互、情感分析、安全监控等。随着深度学习技术的快速发展，特别是卷积神经网络（CNN）的广泛应用，人脸表情识别的准确性和效率得到了显著提升。本项目旨在利用TensorFlow深度学习框架和卷积神经网络（CNN）构建一套高效、准确的人脸表情识别系统，以满足不同场景下的需求。
tensflow入门代码
03-12
本代码是本人根据炼数成金网上教学视频练习代码。其中包括，cnn,rnn神经网络，mnist手写数字识别代码，Google的inception3图像识别模型，根据该模型可以做一些简单的图像识别。建议配套b站炼数成金——TensorFlow入门教程视频使用。对初学者有很好的借鉴意义。
Tensflow学习笔记（一）——TF生成并查看数据
日进一步
12-22 602
概要： 在Jupyer中学习TF生成并查看数据的方法。 代码： import tensorflow as tf import numpy as np # 生成0和1矩阵 x = tf.zeros([2, 2]) y = tf.ones([2, 2]) #填充单值矩阵 z = tf.fill([2, 2], 3) #常量矩阵 c1 = tf.constant([1,2,3,4])
2022年了，PyTorch和TensorFlow你选哪个？
cainiao_python的博客
12-20 1万+
选自AssemblyAI博客作者：Ryan O'Connor机器之心编译机器之心编辑部坊间传闻：「TensorFlow 适合业界，PyTorch 适合学界」。都 2022 年了，还是这样吗...
TensorFlow安装与配置教程（2022.12）
一只快乐的小蒟蒻~
12-19 4484
TensorFlow安装与配置教程（2022.12）
Python深度学习：TensorFlow基础教程
BXA
05-15 7319
深度学习是一种机器学习方法借助多层神经网络进行大规模数据分析和处理，以获取隐藏在数据中的特征模式，常应用于图像识别、语音识别、自然语言处理等领域。TensorFlow是由Google Brain团队开发的一个开源的数值计算库，主要用于支持机器学习和深度学习的算法研究和开发，是目前最流行的深度学习框架之一。
使用TensorFlow1.12训练基于深度学习的排序模型Wide &amp; Deep.zip
01-13
在本项目中，我们将探讨如何使用TensorFlow 1.12版本来训练一个基于深度学习的排序模型——Wide &amp; Deep模型。Wide &amp; Deep模型是由Google提出的，它结合了线性模型（Wide部分）和深度神经网络（Deep部分），旨在利用...
IC51和IC61新手入门教程——Icfb&amp;Virtuoso
03-21
其次，学习如何调用常用的仿真器件是Virtuoso使用中的重要环节。这些器件模型通常包含在Liberty库中，例如晶体管、电阻、电容、运放等。用户需要知道如何导入库，选择合适的模型，并将它们添加到电路中。 接下来，...
java核心技术卷1&amp;&amp;2源码原书第十版
12-28
"Java核心技术卷1&amp;2源码原书第十版"是一个重要的学习资源，它涵盖了Java编程的基础到高级概念，包括语言特性、类库以及开发实践。这本书的源码可以帮助读者深入理解Java的工作原理，并通过实际操作来提升编程技能。 ...
springboot框架入门&amp;源码demo.pdf
02-05
springbootspringboot框架入门&amp;源码demo.pdfspringboot框架入门&amp;源码demo.pdf
TensorFlow框架
逆境清醒的博客
06-30 4483
一、通过代码了解TensorFlow结构1.1、TensorFlow实现一个加法运算代码1.1.1、原生python加法运算1.1.2、TensorFlow实现加法运算1.1.3、TensorFlow实现加法运算1.2、TensorFlow的Hello World二、TensorFlow架构图三、TensorFlow结构分析3.1、张量（Tensor）3.2、节点(Operation)3.3、会话（Session）3.4、数据流图介绍（Graph)
[Python人工智能] 一.TensorFlow环境搭建及神经网络入门
热门推荐
杨秀璋的专栏
11-28 4万+
从本篇文章开始，作者正式开始研究Python深度学习、神经网络及人工智能相关知识。第一篇文章主要讲解神经网络基础概念，同时讲解TensorFlow2.0的安装过程及基础用法，主要结合作者之前的博客、AI经验和相关视频介绍，后面随着深入会讲解具体的项目及应用。基础性文章，希望对您有所帮助，如果文章中存在错误或不足之处，还请海涵~同时自己也是人工智能的菜鸟，希望大家能与我在这一笔一划的博客中成长起来。
tensorflow基于Anaconda环境搭建详细教程
weixin_43114209的博客
02-25 4830
TensorFlow是一个由Google Brain团队开发的开源软件库，用于各种人工智能和机器学习应用，包括神经网络、深度学习、强化学习等。TensorFlow提供了一个灵活的编程框架，可用于创建各种类型的机器学习模型，如分类、回归、聚类、语音识别、自然语言处理等。TensorFlow基于图形计算模型，它使用计算图来表示计算任务，并使用TensorFlow会话执行计算。计算图是由一组节点和边组成的有向无环图，节点表示计算单元，边表示它们之间的依赖关系。
if ( amp;isEmpty == 1 &amp;&amp; isLegal == 1)
07-14
这段代码看起来有一些问题。首先，`amp;isEmpty` 是一个不正确的变量名，它可能是由于 HTML 实体编码引起的错误。其次，逻辑运算符 `&amp;&amp;` 在这里似乎被错误地写作了 `&amp;&amp;`。 修正后的代码应该是这样的： ```java if (isEmpty == 1 &amp;&amp; isLegal == 1) ``` 请注意，如果您使用的是其他编程语言，请将 `java` 替换为相应的语言。同时，确保 `isEmpty` 和 `isLegal` 是正确定义并赋值的变量。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值