TensorFlow2.0入门教程
一. TensorFlow是什么
TensorFlow是由Google Brain 团队为深度神经网络(DNN)开发的功能强大的开源软件库,于2015年11月首次发布,在Apache 2.x协议许可下可用。截至今天,短短的两年内,其 GitHub库大约845个贡献者共提交超过17000次,这本身就是衡量TensorFlow流行度和性能的一个指标。
开源深度学习库TensorFlow允许将深度神经网络的计算部署到任意数量的CPU或 GPU的服务器. PC或移动设备上,且只利用一个TensorFlow API。你可能会问,还有很多其他的深度学习库,如Torch. Theano. Caffe和MxNet,那TensorFlow与其他深度学习库的区别在哪里呢?包括 TensorFlow 在内的大多数深度学习库能够自动求导. 开源. 支持多种 CPU/GPU. 拥有预训练模型,并支持常用的NN架构,如递归神经网络(RNN). 卷积神经网络(CNN)和深度置信网络(DBN)。
TensorFlow 则还有更多的特点,如下:
a. 支持所有流行语言,如Python. C++. Java. R和Go。
b. 可以在多种平台上工作,甚至是移动平台和分布式平台。
c. 它受到所有云服务(AWS. Google和Azure)的支持。
d. Keras–高级神经网络API,已经与TensorFlow 整合。
e. 与 Torch/Theano比较,TensorFlow拥有更好的计算图表可视化。
f. 允许模型部署到工业生产中,并且容易使用。
g. 有非常好的社区支持。
h. TensorFlow不仅仅是一个软件库,它是一套包括TensorFlow, TensorBoard和TensorServing的软件。
二、hello world
在任何计算机语言中学习的第一个程序是都是 Hello world,从程序 Hello world 开始。
TensorFlow 安装验证的代码:
import tensorflow as tf
message = tf .constant ( 'Welcome to the exciting world of Deep Neural Networks! ')
with tf .Session () as sess :
print (sess. run (message) .decode() )
报错:
Could not load dynamic library ‘cudart64_101.dll’; dlerror: cudart64_101.dll not found. Ignore above cudart dlerror if you do not have a GPU set up on your machine.
GPU不能运行时退回到CPU版本。
Attempting to fetch value instead of handling error internal:could not retrieve CUDA device attribute <81: UNKNOWN ERROR<1>
显卡内存太次了。。
随即安装TensorFlow CPU版本:pip3 install tensorflow-cpu -i https://pypi.douban.com/simple
测试TensorFlow是否安装成功
import tensorflow as tf
version = tf.__version__
gpu_ok = tf.test.is_gpu_available()
print("tf version:",version,"\nif use GPU",gpu_ok)
结果显示如下:
再次运行,出现问题
解决方案:
在报错的逻辑代码的前面加个空格就一切ok了,一个缩进就解决了这个异常,解决这个bug不是主要目的,了解python的语法结构和特点才是我们该做的事情。
python里面方法体并不使用{}来区分,python的是用缩进来识别语法逻辑块的(i.e. if, while, for, def 等)。在python中,所有的逻辑代码块也就是一个方法中的代码,都必须使用相同的缩进来标识区分是同一个方法,否则编译会报错。所谓缩进,就是每一行开头的空白。这个空白可以由多个空格或者制表符组成。python下面你怎么缩进都可以,比如3个空格,2个tab,这样都是合法的。但是同一个逻辑块下面必须用一样的。
三、一个简单的TensorFlow程序
- 新建一个线性拟合的python文件,内容如下:
import tensorflow as tf
X = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
y = tf.constant([[10.0], [20.0]])
class Linear(tf.keras.Model):
def __init__(self)