如何用一个Python示例入门TensorFlow？_python tensorflow例子(1)

文末有福利领取哦~

👉一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

👉二、Python必备开发工具

👉三、Python视频合集

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉 四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。（文末领读者福利）

👉五、Python练习题

检查学习结果。

👉六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

👉因篇幅有限，仅展示部分资料，这份完整版的Python全套学习资料已经上传

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

pip install --ignore-installed --upgrade tensorflow

对于 GPU 版本运行命令:

pip install --ignore-installed --upgrade tensorflow-gpu

当然，你也可以使用“native pip”命令来安装 TensorFlow。对于 CPU 版本运行:

pip3 install --upgrade tensorflow

对于 GPU TensorFlow 版本运行命令:

pip3 install --upgrade tensorflow-gpu

现在我们已经安装了 TensorFlow。接下来开始解决我们要解决的问题。

Iris 数据集分类问题

Iris 数据集，以及 MNIST 数据集，可能是模式识别文献中最著名的数据集之一。这是机器学习分类问题的“Hello World”示例。它最早是在 1936 年由 Ronald Fisher 推出的。他是英国的统计学家和植物学家，他在论文《使用多重测量解决生物分类问题》中使用了这个例子，直到今天这篇论文也经常被引用。该数据集包含 3 个类别，每个类别有 50 个实例。每个类别都是一种类型的 Iris 植物：Iris setosa、Iris virginica 和 Iris versicolor。第一类是线性可分的，但后两种不是线性可分的。每个记录都有五个属性:

• cm 表示的 Sepal 长度
• cm 表示的 Sepal 宽度
• cm 表示的 Petal 长度
• cm 表示的 Petal 宽度

类别 Class(Iris setosa, Iris virginica, Iris versicolor)

我们要创建神经网络的目标是根据其他属性来预测 Iris 的种类。这意味着它需要创建一个模型，描述属性值和类别之间的关系。

TensorFlow 工作流

大部分的 TensorFlow 代码遵循这个工作流程:

• 导入数据集
• 使用附加列扩展数据集，用以描述数据
• 选择模型的类型
• 开始训练
• 评估模型的准确性
• 使用模型预测结果

如果你关注我之前的博客文章，你可能会注意到开发任何人工神经网络都离不开训练和评估过程。这些过程通常是在两个数据集上完成的，一个用于训练，另一个用于测试训练网络的准确性。通常，我们得到一组数据，我们需要将它们分成两个独立的数据集，并使用其中一个进行培训，另一个用于测试。这一比率通常为 80% 到 20%。这次这些都已经为我们做好了。你可以从这里下载训练数据集，从这里下载测试数据集。或者你可以从这里下载完整的代码和数据。

编码

在继续之前，我得首先说明一下，我使用 Spyder IDE 进行开发，因此我将使用这个环境来解释整个过程。

我们需要做的第一件事是导入数据集并解析它。为此，我们需要使用另一个 Python 库 -Pandas。这是另一个开源库，为 Python 提供了易于使用的数据结构和数据分析工具。

正如你所看到的，首先我们使用 readcsv 函数将数据集导入到本地变量中，然后我们将输入 (train_x、test_x) 和预期输出 (train_y、test_y) 分离开来，创建四个独立的矩阵。以下是他们的样子:

我们准备好了用于训练和测试的数据。现在，我们需要定义特征列，这也是神经网络需要的。

我们现在需要选择我们将要使用的模型。在我们的问题中，我们试图根据属性数据来预测 Iris 的类型。所以我们要从 TensorFlow API 中选择一个评估器。评估器类的一个对象封装了构建 TensorFlow 图形并运行 TensorFlow 会话的逻辑。为此，我们将使用 DNN 分类器。我们将添加两个隐藏的层，每个层有十个神经元。

在那之后，我们将用我们从训练数据集中选取的数据来训练我们的神经网络。首先，我们将定义训练功能。该函数需要通过扩展和创建多个批次来提供来自训练集的数据。如果训练样本是随机的训练效果也会更好。这就是为什么调用 shuffle 函数的原因。总之， train_function 使用经过训练的数据集，随机地从数据中选取数据，并将数据反馈给 DNN 分类器的训练方法，从而创建大量的数据。

最后，我们调用评估函数来评估我们的神经网络，并给出网络的回准度。

当我们运行这段代码后，将得到如下结果:

所以，我的神经网络的精度是 0.93，非常不错。在此之后，我们可以使用单个数据调用分类器，并对其进行预测。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

https://bbs.csdn.net/topics/618317507)**

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！