TensorFlow2.0 学习笔记（一）：TensorFlow 2.0 的安装和环境配置以及上手初体验

最新推荐文章于 2023-12-16 15:09:11 发布

我是管小亮

最新推荐文章于 2023-12-16 15:09:11 发布

阅读量1.4w

点赞数 75

分类专栏： # TensorFlow学习笔记文章标签：深度学习 TensorFlow TensorFlow2.0 手写数字识别 TensorFlow安装和环境配置

本文链接：https://blog.csdn.net/TeFuirnever/article/details/102513712

版权

TensorFlow学习笔记专栏收录该内容

7 篇文章 74 订阅

订阅专栏

欢迎关注WX公众号：【程序员管小亮】

专栏——TensorFlow学习笔记

文章目录

欢迎关注WX公众号：【程序员管小亮】

〇、写在前面

关于为什么要学习 TensorFlow 2.0 这件事，简单说一下，现在还是硕士在读，在课题完成中，使用 TensorFlow 1.x 真的是问题超级多，最大的烦恼就是改动网络真的麻烦，在这个时候 TensorFlow 2.0 出现了。对于新版本的 TensorFlow 有一些期待，也有一些困惑，决定尝试一下，fighting！

一、TensorFlow 概述

在这里插入图片描述
人工智能和深度学习的热潮将 TensorFlow 推向了至高的地位，媒体的追捧和业界的宣传也为这一源自 Google 的开源框架增添了传奇的色彩。Google 发布的 TensorFlow 与 Facebook 发布的 Pytorch 基本上是深度学习框架的大半江山，它们各自有着狂热的追求者和拥护者，不过在我看来：
在这里插入图片描述
比如现在做课题研究的大多使用 Pytorch，而业界工作大多使用 TensorFlow，除此之外还有百度的 PaddlePaddle，预计都会写一写学习笔记，可以期待一下。

其实学过了很多的 TensorFlow 1.x，感受到了它的优势，但也明显感受到它的不足。比较让我吐槽的就是代码，TensorFlow 1.x 的代码太过于繁琐，以至于每一次改动网络结构时都有点伤筋动骨的感觉，让我很是头疼；但是吧，因为有 TFRecords（TensorFlow学习笔记之30分钟学会 TFRecords 格式高效处理数据）这种极其高效的数据读取方式，对于我们实验室这种非专业的 low 爆了的显卡和非常大尺寸的图片又极其友好。这种感觉真的是欲仙欲死，如果你有相同的经历，应该就会有相同的体会。minibatch（深度学习入门笔记（十一）：深度学习数据读取）虽然号称多牛，但是在小显卡面前，都是泡沫好吧，一次最多可以读取两张图片，因为我们这个方向的图片都是 512 * 512 的，我就问你绝望不？

还好这个时候 TensorFlow 2.0 来了，TensorFlow2.0 版本具有简易性、更清晰、扩展性三大特征，大大简化 API，所以代码简单了很多，我只想说真棒！！！
在这里插入图片描述

二、TensorFlow 2.0 安装与环境配置

在这里插入图片描述
个人建议安装 Anaconda（Windows10 下 Anaconda和 PyCharm 的详细的安装教程（图文并茂）），它提供了一个完整的科学计算环境，包括 NumPy、SciPy 等常用科学计算库。当然，你有权选择自己喜欢的 python 环境。之所以推荐 Anaconda 是因为我是 TensorFlow 1.x 的忠实用户，而 TensorFlow 2.0 和 TensorFlow 1.x 并没有完全兼容，所以并不能直接升级 TensorFlow 1.x，而 Anaconda 可以使用自带的 conda 包管理器建立一个 Conda 虚拟环境，并进入该虚拟环境，并不影响 TensorFlow 1.x，总之强推一下。

详细过程如下：

打开 Anaconda Prompt；
在 Anaconda 的命令行下输入下面命令即可创建一个名字叫 tf2.0 的虚拟环境；

conda create -n tf2.0 python=3.6   # “tf2.0”是建立的Conda虚拟环境的名字

激活虚拟环境 tf2.0；

activate tf2.0                    # 进入名为“tf2.0”的虚拟环境

使用 pip 安装 TensorFlow 2.0；

pip install tensorflow==2.0.0           # TensorFlow CPU版本

或

pip install tensorflow-gpu==2.0.0       # TensorFlow GPU版本，需要具有NVIDIA显卡及正确安装驱动程序，详见后文

pip 的具体使用可以看这个博客——python中pip安装、升级、升级指定的包。

在国内环境下，推荐使用国内的 pypi 镜像和 Anaconda 镜像，将显著提升 pip 和 conda 的下载速度；

清华大学的 pypi 镜像：https://mirrors.tuna.tsinghua.edu.cn/help/pypi/
清华大学的 Anaconda 镜像：https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/

然后我们检查一下这个 TensorFlow 的版本是不是变成 2.0 了，详细的看这个博客——如何查看已安装的Python和TensorFlow的版本（最全最详细的说明）。
在这里插入图片描述

三、第一个程序

安装、版本问题都已经解决了，现在来编写一个简单的程序来验证安装是否可以成功使用。

import tensorflow as tf

mA = tf.constant([[1, 2], [3, 4]])
mB = tf.constant([[5, 6], [7, 8]])
mC = tf.matmul(mA, mB)

print(mC)

在这里插入图片描述
到这里就说明 TensorFlow 已经安装成功了。

四、简单的手写数字识别

调用 TensorFlow。

from __future__ import absolute_import, division, print_function, unicode_literals
import tensorflow as tf

载入并准备好 MNIST 数据集，然后将样本从整数转换为浮点数：

mnist = tf.keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

将模型的各层堆叠起来，以搭建 tf.keras.Sequential 模型，并为训练选择优化器和损失函数：

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')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

训练并验证模型：

model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test, y_test)

输出结果如下：

Train on 60000 samples
Epoch 1/5

60000/60000 [==============================] - 4s 63us/sample - loss: 0.2963 - accuracy: 0.9127
Epoch 2/5

60000/60000 [==============================] - 3s 56us/sample - loss: 0.1448 - accuracy: 0.9565
Epoch 3/5

60000/60000 [==============================] - 3s 54us/sample - loss: 0.1070 - accuracy: 0.9676
Epoch 4/5

60000/60000 [==============================] - 3s 56us/sample - loss: 0.0872 - accuracy: 0.9727
Epoch 5/5

60000/60000 [==============================] - 3s 55us/sample - loss: 0.0754 - accuracy: 0.9762

10000/1 [===================] - 0s 35us/sample - loss: 0.0371 - accuracy: 0.9772

部分结果图：
在这里插入图片描述
现在，这个分类器的准确度已经达到 98% 了。😃 再来试一个专业一些的稍微复杂一些的手写数字识别程序，这个程序就更像我们平时写的代码了。

五、稍微复杂的手写数字识别

调用 TensorFlow。

from __future__ import absolute_import, division, print_function, unicode_literals

import tensorflow as tf

from tensorflow.keras.layers import Dense, Flatten, Conv2D
from tensorflow.keras import Model

载入并准备好 MNIST 数据集：

mnist = tf.keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# Add a channels dimension
x_train = x_train[..., tf.newaxis]
x_test = x_test[..., tf.newaxis]

使用 tf.data 来将数据集切分为 batch 以及混淆数据集：

train_ds = tf.data.Dataset.from_tensor_slices(
    (x_train, y_train)).shuffle(10000).batch(32)
test_ds = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)

使用 Keras 模型子类化（model subclassing） API 构建 tf.keras 模型：

class MyModel(Model):
    def __init__(self):
        super(MyModel, self).__init__()
        self.conv1 = Conv2D(32, 3, activation='relu')
        self.flatten = Flatten()
        self.d1 = Dense(128, activation='relu')
        self.d2 = Dense(10, activation='softmax')

    def call(self, x):
        x = self.conv1(x)
        x = self.flatten(x)
        x = self.d1(x)
        return self.d2(x)


model = MyModel()

为训练选择优化器与损失函数：

loss_object = tf.keras.losses.SparseCategoricalCrossentropy()

optimizer = tf.keras.optimizers.Adam()

选择衡量指标来度量模型的损失值（loss）和准确率（accuracy）。这些指标在 epoch 上累积值，然后打印出整体结果。

train_loss = tf.keras.metrics.Mean(name='train_loss')
train_accuracy = tf.keras.metrics.SparseCategoricalAccuracy(
    name='train_accuracy')

test_loss = tf.keras.metrics.Mean(name='test_loss')
test_accuracy = tf.keras.metrics.SparseCategoricalAccuracy(
    name='test_accuracy')

使用 tf.GradientTape 来训练模型：

@tf.function
def train_step(images, labels):
    with tf.GradientTape() as tape:
        predictions = model(images)
        loss = loss_object(labels, predictions)
    gradients = tape.gradient(loss, model.trainable_variables)
    optimizer.apply_gradients(zip(gradients, model.trainable_variables))

    train_loss(loss)
    train_accuracy(labels, predictions)

测试模型：

@tf.function
def test_step(images, labels):
    predictions = model(images)
    t_loss = loss_object(labels, predictions)

    test_loss(t_loss)
    test_accuracy(labels, predictions)


EPOCHS = 5

for epoch in range(EPOCHS):
    for images, labels in train_ds:
        train_step(images, labels)

    for test_images, test_labels in test_ds:
        test_step(test_images, test_labels)

    template = 'Epoch {}, Loss: {}, Accuracy: {}, Test Loss: {}, Test Accuracy: {}'
    print(template.format(epoch + 1,
                          train_loss.result(),
                          train_accuracy.result() * 100,
                          test_loss.result(),
                          test_accuracy.result() * 100))

Epoch 1, Loss: 0.13269191980361938, Accuracy: 95.97166442871094, Test Loss: 0.062214434146881104, Test Accuracy: 97.90999603271484
Epoch 2, Loss: 0.08752833306789398, Accuracy: 97.32749938964844, Test Loss: 0.0558948777616024, Test Accuracy: 98.13500213623047
Epoch 3, Loss: 0.06571148335933685, Accuracy: 97.98833465576172, Test Loss: 0.055095791816711426, Test Accuracy: 98.17333221435547
Epoch 4, Loss: 0.052590858191251755, Accuracy: 98.38249969482422, Test Loss: 0.056725047528743744, Test Accuracy: 98.1875
Epoch 5, Loss: 0.04394708573818207, Accuracy: 98.64366912841797, Test Loss: 0.057472292333841324, Test Accuracy: 98.23400115966797

在这里插入图片描述
这个程序的写法要更加专业一下，多用函数、类和封装才是良好的编写程序的习惯。

接下来要接着学习相关的知识了，欢迎关注 TensorFlow学习笔记专栏。

六、总结

整体感受上 TensorFlow 2.0 真的比 1.x 强好多，还是比较期待的，感觉 TensorFlow 2.0 具备了和 Pytorch 争夺深度学习框架第一的资格，期待之后的优化！！！

参考文章

TensorFlow 官方文档
简单粗暴 TensorFlow 2.0

我是管小亮

关注

75
点赞
踩
415

收藏

觉得还不错? 一键收藏
打赏
18
评论
TensorFlow2.0 学习笔记（一）：TensorFlow 2.0 的安装和环境配置以及上手初体验

文章目录一、TensorFlow 概述二、TensorFlow 特性三、TensorFlow 2.0 安装与环境配置一、TensorFlow 概述人工智能和深度学习的热潮将 TensorFlow 推向了至高的地位，媒体的追捧和业界的宣传也为这一源自 Google 的开源框架增添了传奇的色彩。Google 发布的 TensorFlow 与 Facebook 发布的 Pytorch 基本上是深度...
复制链接

扫一扫