Python 全栈体系【四阶】（二十八）

柠檬小帽

已于 2024-04-11 20:37:21 修改

阅读量1.4k

点赞数 46

分类专栏： Python全栈体系文章标签： python 开发语言

于 2024-04-11 20:31:30 首次发布

本文链接：https://blog.csdn.net/sgsgkxkx/article/details/137524257

版权

Python全栈体系专栏收录该内容

60 篇文章 5 订阅

订阅专栏

第五章深度学习

四、TensorFlow

请添加图片描述

1. Tensorflow 简介

1.1 什么是 Tensorflow

TensorFlow 由谷歌人工智能团队谷歌大脑（Google Brain）开发和维护的开源深度学习平台，是目前人工智能领域主流的开发平台，在全世界有着广泛的用户群体。

1.2 Tensorflow 的特点

优秀的构架设计，通过“张量流”进行数据传递和计算，用户可以很容易地、可视化地看到张量流动的每一个环节。

可轻松地在 CPU/GPU 上部署，进行分布式计算，为大数据分析提供计算能力的支撑。

跨平台性好，灵活性强。TensorFlow 不仅可在 Linux、Mac 和 Windows 系统中运行，甚至还可在移动终端下工作。

1.3 Tensorflow 发展历史

2011 年，Google 公司开发了它的第一代分布式机器学习系统 DistBelief。

著名计算机科学家杰夫·迪恩（Jeff Dean）和深度学习专家吴恩达（Andrew Y.Ng）都是这个项目的核心成员。

2015 年 11 月，Google 将它的升级版实现正式开源，协议遵循 Apache 2.0 并更名为TensorFlow。

目前，TensorFlow 最新版为 2.X，此处使用 1.14.0。

1.4 Tensorflow 安装

在线安装

安装纯净包：pip install tensorflow
安装 GPU 版本：pip install tf-nightly-gpu

离线安装

下载离线包：https://pypi.org/project/tensorflow/#files执行安装

修改源进行安装。如果安装包 time out 错误，则可以修改 pip 源，重新进行安装，修改方式：

编辑或新建 pip 配置文件（~/.pip/pip.conf），在配置文件下加入：

[global]
index-url = http://mirrors.aliyun.com/pypi/simple/
[install]
trusted-host = mirrors.aliyun.com

安装时将 timeout 时间设置长一点

sudo pip3 --timeout 600
install tensorflow-1.14.0-cp35-cp35m-manylinux1_x86_64.whl

也可使用如下完整命令安装

pip3 install --user tensorflow==1.14.0 --index-url
https://pypi.tuna.tsinghua.edu.cn/simple/ --trusted-host
https://pypi.tuna.tsinghua.edu.cn --timeout 600

1.5 案例 1：快速开始

在这里插入图片描述

1.6 案例 2：张量相加

在这里插入图片描述

2. Tensorflow 体系结构

2.1 体系结构概述

TensorFlow 属于“定义”与“运行”相分离的运行机制。从操作层面可以抽象成两种：模型构建和模型运行

客户端：用户编程、执行使用
master：用来与客户端交互，并进行任务调度
worker process：工作节点，每个 worker process 可以访问一到多个 device
device：TF 的计算核心，执行计算

2.2 单机模式与分布式模式

TF 的实现分为“单机实现”和“分布式实现”
在这里插入图片描述

2.3 后端逻辑层次

在这里插入图片描述

3. 基本概念

3.1 张量

张量（Tensor）: 多维数组或向量，张量是数据的载体，包含名字、形状、数据类型等属性
在这里插入图片描述

3.2 数据流

数据流图（Data Flow Graph）用“结点”（nodes）和“线”(edges)的有向图来描述数学计算。

“节点” 一般用来表示数学操作，也可以表示数据输入（feed in）的起点/输出（push out）的终点，或者是读取/写入持久变量（persistent variable）的终点。

“线”表示“节点”之间的输入/输出关系。这些数据“线”可以输运多维数据数组，即“张量”（tensor）。

一旦输入端的所有张量准备好，节点将被分配到各种计算设备完成异步并行地执行运算。

在这里插入图片描述

3.3 操作

操作（Operation，简称 op）指专门执行计算的节点，tensorflow 函数或 API 定义的都是操作。常用操作包括：

标量运算，向量运算，矩阵运算
带状态的运算
神经网络组建
存储、恢复
控制流
队列及同步运算

3.4 图和会话

图（Graph）描述整个程序结构，Tensorflow 中所有的计算都构建在图中
会话（Session）用来执行图的运算

3.5 变量和占位符

在 Tensorflow 中，变量（Variable）是一种操作，变量是一种特殊的张量，能够进行存储持久化（张量不能进行持久化），它的值是张量
占位符（placeholder）是变量占位符，当不能确定变量的值时，可以先声明一个占位符，真正执行时再传入变量

请添加图片描述

4. 图和会话操作

4.1 什么是图

图（Graph）描述了计算的过程。TensorFlow 程序通常被组织成一个构建阶段和一个执行阶段。在构建阶段, op 的执行步骤被描述成一个图。在执行阶段, 使用会话执行图中的 op。
TensorFlow Python 库有一个默认图 (default graph), op 构造器可以为其增加节点。这个默认图对许多程序来说已经足够用了，也可以创建新的图来描述计算过程。
在 Tensorflow 中，op/session/tensor 都有 graph 属性。