Ubuntu18.04 Anaconda3+Tensorflow2.1安装后的使用：以一个简单FNN实例为task

以一个简单FNN实例为task

×× 安装过程参考大佬链接：ubuntu16.04下安装&配置anaconda+tensorflow新手教程
××现将重点过程列下，防遗忘：

1.激活conda创建的虚拟环境

TensorFlow是在conda创建的虚拟环境中安装的，因此在使用Tensorflow时应
激活环境：source activate tf（tf为创建时环境的昵称），
而关闭环境的命令为：source deactivate tf。

2.tensorflow函数的使用

本机安装的tensorflow2，在使用V1版本函数时可能会报错：module '...' has no attribute’…’，应当写作以下形式：

tf.compat.v1.Function(...)

并且在使用之前，在文件前面、导包之后禁用紧急执行：

tf.compat.v1.disable_eager_execution()

3.代码附录：

以下代码copy并修改自大佬链接代码：用Tensorflow搭建第一个神经网络
，被修改后的代码可在tensorflow2.1+Python3.7+Pycharm2020.1上运行：

控制台下代码：

import tensorflow as tf
import numpy as np
import os

# 关闭紧急执行（tf2执行tf1函数）
tf.compat.v1.disable_eager_execution()

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
# ==================

# 创建一些等距离的数据(数据量为300)，同时用np.newaxis进行扩展一个维度
x_data = np.linspace(-1, 1, 300, dtype=np.float32)[:, np.newaxis]
# 创建同等规模的噪音(这里采用的是均值为0,标准差为0.05的,保持shape和类型一致)
noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32)
# 原数据label(y = x^2 - 0.5) 之后添加一点点噪声(让人感觉更像现实中获取的数据一样)
y_data = np.square(x_data) - 0.5 + noise


# 创建一个添加层数的函数,使得实现变得简单
# inputs是输出的东西，in_size表示的是该层的输入层维度，out_size表示的是该层的输出层维度，activation_function就是一个
def add_layer(inputs, in_size, out_size, activation_function=None):
    # 创建系数矩阵，矩阵规模为 [in_size * out_size]
    weights = tf.Variable(tf.compat.v1.random_normal([in_size, out_size]))
    # 创建一个biases矩阵，这里考虑到biases用0不是那么好，所以，一开始设置的时候加个0.1
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
    # 构建方程
    wx_plus_b = tf.matmul(inputs, weights) + biases

    if activation_function is None:
        output = wx_plus_b
    else:
        output = activation_function(wx_plus_b)
    return output


# xs = tf.placeholder(tf.float32, [None, 1]) ys = tf.placeholder(tf.float32, [None, 1])
xs=tf.compat.v1.placeholder(tf.float32,[None,1])
ys=tf.compat.v1.placeholder(tf.float32,[None,1])
# 得到中间那一层
l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)
# 得到输出层
prediction = add_layer(l1, 10, 1)
# 在300个求一个平方和的均值，设置了切片的index为1，原因是最后的矩阵规模为300*1，大致类似:[[1],300个,[2]]
# tf.reduce_xx(x,axis)，axis为0或1，表示按列或行运算（求和、均值、最值等）
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction), 1))
# 梯度下降训练  train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
train_step = tf.compat.v1.train.GradientDescentOptimizer(0.1).minimize(loss)
# 变量初始化
init = tf.compat.v1.global_variables_initializer()
# 启动会话
with tf.compat.v1.Session() as sess:
    sess.run(init)
    for i in range(1000):
        # training
        sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
        if i % 50 == 0:
            # to see the step improvement
            print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))

结果：

matplotlib.pyplot下代码：

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
import os

# 关闭紧急执行（tf2执行tf1函数）
tf.compat.v1.disable_eager_execution()

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
# ==================

# 创建一些等距离的数据(数据量为300)，同时用np.newaxis进行扩展一个维度
x_data = np.linspace(-1, 1, 300, dtype=np.float32)[:, np.newaxis]
# 创建同等规模的噪音(这里采用的是均值为0,标准差为0.05的,保持shape和类型一致)
noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32)
# 原数据label(y = x^2 - 0.5) 之后添加一点点噪声(让人感觉更像现实中获取的数据一样)
y_data = np.square(x_data) - 0.5 + noise


# 创建一个添加层数的函数,使得实现变得简单
# inputs是输出的东西，in_size表示的是该层的输入层维度，out_size表示的是该层的输出层维度，activation_function就是一个
def add_layer(inputs, in_size, out_size, activation_function=None):
    # 创建系数矩阵，矩阵规模为 [in_size * out_size]
    weights = tf.Variable(tf.compat.v1.random_normal([in_size, out_size]))
    # 创建一个biases矩阵，这里考虑到biases用0不是那么好，所以，一开始设置的时候加个0.1
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
    # 构建方程
    wx_plus_b = tf.matmul(inputs, weights) + biases

    if activation_function is None:
        output = wx_plus_b
    else:
        output = activation_function(wx_plus_b)
    return output


# xs = tf.placeholder(tf.float32, [None, 1]) ys = tf.placeholder(tf.float32, [None, 1])
xs=tf.compat.v1.placeholder(tf.float32,[None,1])
ys=tf.compat.v1.placeholder(tf.float32,[None,1])
# 得到中间那一层
l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)
# 得到输出层
prediction = add_layer(l1, 10, 1)
# 在300个求一个平方和的均值，设置了切片的index为1，原因是最后的矩阵规模为300*1，大致类似:[[1],300个,[2]]
# tf.reduce_xx(x,axis)，axis为0或1，表示按列或行运算（求和、均值、最值等）
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction), 1))
# 梯度下降训练  train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
train_step = tf.compat.v1.train.GradientDescentOptimizer(0.1).minimize(loss)
# 变量初始化
init = tf.compat.v1.global_variables_initializer()
# 启动会话
with tf.compat.v1.Session() as sess:
    sess.run(init)
    fig = plt.figure()
    # 创建两个子图
    ax_begin = fig.add_subplot(2, 1, 1)
    ax_end = fig.add_subplot(2, 1, 2)
    ax_begin.scatter(x_data, y_data,2)
    ax_end.scatter(x_data, y_data,2)

    # 起始版
    prediction_value = sess.run(prediction, feed_dict={xs: x_data})
    # plot the prediction，函数用法：https://www.cnblogs.com/blogwww/p/9583255.html
    ax_begin.plot(x_data, prediction_value, 'r-', lw=1.5)
    ax_begin.set_title("Begin")
    plt.tight_layout()

    for i in range(2000):
        # training
        sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
        if i % 50 == 0:
            # to see the step improvement
            print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))

    # 经过迭代后的版本
    prediction_value = sess.run(prediction, feed_dict={xs: x_data})
    # plot the prediction
    ax_end.plot(x_data, prediction_value, 'r-', lw=1.5)
    ax_end.set_title("End")
    plt.show()

结果如下（自己跑的）：

训练网络的保存与加载：

【且参考大佬的链接】：一文学会用 Tensorflow 搭建神经网络