50题真 • 一文入门TensorFlow2.x
点击以上链接👆 不用配置环境,直接在线运行
(本文基于TensorFlow 2.x编写)
大家好,挤牙膏挤了一个多月,终于把tensorflow 2.x的教程做出来了。这个教程是使用tensorflow低阶api做的,想学keras的高阶api可以直接看我的keras教程40题刷爆Keras,人生苦短我选Keras
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可被用于语音识别或图像识别等多项机器学习和深度学习领域,对2011年开发的深度学习基础架构DistBelief进行了各方面的改进,它可在小到一部智能手机、大到数千台数据中心服务器的各种设备上运行。TensorFlow将完全开源,任何人都可以用。
其他x题系列:
- 50道练习带你玩转Pandas
- 这100道练习,带你玩转Numpy
- 35题初探scikit-learn库,get机器学习好帮手√
- 50题matplotlib从入门到精通
- 40题刷爆Keras,人生苦短我选Keras
- 60题PyTorch简易入门指南,做技术的弄潮儿
- 90题细品吴恩达《机器学习》,感受被刷题支配的恐惧
- 170题吴恩达《深度学习》面面观,一套更比三套强
# 导入一些必要的库
import numpy as np
import matplotlib.pyplot as plt
import os
import pickle
1.导入tensorflow库简写为tf
,并输出版本
import tensorflow as tf
tf.__version__
'2.1.0'
一、Tensor张量
常量
2.创建一个3x3的0常量张量
c = tf.zeros([3, 3])
3.根据上题张量的形状,创建一个一样形状的1常量张量
tf.ones_like(c)
<tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]], dtype=float32)>
4.创建一个2x3,数值全为6的常量张量
tf.fill([2, 3], 6) # 2x3 全为 6 的常量 Tensor
<tf.Tensor: shape=(2, 3), dtype=int32, numpy=
array([[6, 6, 6],
[6, 6, 6]], dtype=int32)>
5.创建3x3随机的随机数组
tf.random.normal([3,3])
<tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[-1.1090602 , -0.14372216, -2.0020268 ],
[-1.246778 , -0.155268 , 1.3298218 ],
[-0.47514197, -0.49891278, 0.6524196 ]], dtype=float32)>
6.通过二维数组创建一个常量张量
a = tf.constant([[1, 2], [3, 4]])
a
<tf.Tensor: shape=(2, 2), dtype=int32, numpy=
array([[1, 2],
[3, 4]], dtype=int32)>
7.取出张量中的numpy数组
a.numpy()
array([[1, 2],
[3, 4]], dtype=int32)
8.从1.0-10.0等间距取出5个数形成一个常量张量
tf.linspace(1.0, 10.0, 5)
<tf.Tensor: shape=(5,), dtype=float32, numpy=array([ 1. , 3.25, 5.5 , 7.75, 10. ], dtype=float32)>
9.从1开始间隔2取1个数字,到大等于10为止
tf.range(start=1, limit=10, delta=2)
<tf.Tensor: shape=(5,), dtype=int32, numpy=array([1, 3, 5, 7, 9], dtype=int32)>
运算
10.将两个张量相加
a + a
<tf.Tensor: shape=(2, 2), dtype=int32, numpy=
array([[2, 4],
[6, 8]], dtype=int32)>
11.将两个张量做矩阵乘法
tf.matmul(a, a)
<tf.Tensor: shape=(2, 2), dtype=int32, numpy=
array([[ 7, 10],
[15, 22]], dtype=int32)>
12.两个张量做点乘
tf.multiply(a, a)
<tf.Tensor: shape=(2, 2), dtype=int32, numpy=
array([[ 1, 4],
[ 9, 16]], dtype=int32)>
13.将一个张量转置
tf.linalg.matrix_transpose(c)
<tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]], dtype=float32)>
14.将一个12x1张量变形成3行的张量
b = tf.linspace(1.0, 10.0, 12)
tf.reshape(b,[3,4])
# 方法二
tf.reshape(b,[3,-1])
<tf.Tensor: shape=(3, 4), dtype=float32, numpy=
array([[ 1. , 1.8181818, 2.6363635, 3.4545455],
[ 4.272727 , 5.090909 , 5.909091 , 6.7272725],
[ 7.5454545, 8.363636 , 9.181818 , 10. ]], dtype=float32)>
二、自动微分
这一部分将会实现 y = x 2 y=x^2 y=x2 在 x = 1 x=1 x=1 处的导数
变量
15.新建一个1x1变量,值为1
x = tf.Variable([1.0]) # 新建张量
x
<tf.Variable 'Variable:0' shape=(1,) dtype=float32, numpy=array([1.], dtype=float32)>
16.新建一个GradientTape追踪梯度,把要微分的公式写在里面
with tf.GradientTape() as tape: # 追踪梯度
y = x * x
17.求y对于x的导数
grad = tape.gradient(y, x) # 计算梯度
grad
<tf.Tensor: shape=(1,), dtype=float32, numpy=array([2.], dtype=float32)>
三、线性回归案例
这一部分将生成添加随机噪声的沿100个 y = 3 x + 2 y=3x+2 y=3x+2的数据点,再对这些数据点进行拟合。
18.生成X,y数据,X为100个随机数,y=3X+2+noise,noise为100个随机数
X = tf.random.normal([100, 1]).numpy()
noise = tf.random.normal([100, 1]).numpy()
y = 3*X+2+noise
可视化这些点
plt