深度学习基础笔记（自用）

1.深度学习介绍

1.1深度学习与机器学习的区别

1.1.1特征提取方面

1.1.2 数据量和计算性能要求

机器学习需要的执行时间远少于深度学习，深度学习参数往往很庞大，需要通过大量数据的多次优化来训练参数。

第一、深度学习需要大量的训练数据集

第二、训练深度神经网络需要大量的算力

可能要花费数天、甚至数周的时间，才能使用数百万张图像的数据集训练出一个深度网络。所以深度学习通常

1）需要强大的GPU服务器来进行计算
2）全面管理的分布式训练与预测服务――比如谷歌TensorFlow云机器学习平台

1.1.3 算法代表

1.2深度学习应用场景

1.3深度学习框架

1.3.1常见深度学习框架对比

1.3.2tensorflow安装（GPU版本）

ps：

1.先打开Anaconda Prompt创建一个新的python=3.6的环境

conda install cudnn=7.6

2.进入新创建的环境，安装英伟达的SDK 10.1版本，安装英伟达深度学习软件包7.6版本

conda activate tensorflow
conda install cudatoolkit=10.1
conda install cudnn=7.6

3.安装tensorflow=2.1 使用清华镜像源

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow==2.1

4.验证是否安装成功
进入python环境，查看tensorflow版本号

import tensorflow as tf
tf.__version__

2.Tensorflow框架介绍

2.1TF数据流图

内容：

def tensorflow_demo():
    """
    tensorflow的基本结构
    :return:
    """
    a=11
    b=2
    print("普通加法运算：\n",a+b)
    #tensorflow实现加法运算
    a_t=tf.constant(11)
    b_t=tf.constant(2)
    c_t=a_t+b_t
    print("tensorflow的加法运算：\n",c_t)
    return  None

输出：

普通加法运算：
 13
tensorflow的加法运算：
tf.Tensor(13, shape=(), dtype=int32)

1.TensorFlow结构分析

一个构建图阶段
流程图：定义数据（张量Tensor）和操作（节点Op）
一个执行图阶段
调用各方资源，将定义好的数据和操作运行起来

2.数据流图介绍
TensorFlow
Tensor - 张量 - 数据
Flow - 流动

TensorFlow是一个采用数据流图(data flow graphs)，用于数值计算的开源框架。 节点(Operation)在图中表示数学操作，线(edges)则表示在节点间相互联系的多维数据数组，即张量(tensor) 。
去除警告输出

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

2.2 图与TensorBoard

2.2.1 什么是图结构

图包含了一组tf.Operation代表的计算单元对象和tf.Tensor代表的计算单元之间流动的数据。
图结构：
数据（Tensor） + 操作（Operation）

2.2.2 图相关操作

1.默认图
通常TensorFlow会默认帮我们创建一张图。
查看默认图的两种方法:

 1）调用方法
                    用tf.get_default_graph()
 2）查看属性
                    .graph