【人工智能头条导读】Jupyter Notebook 是一个 Web 应用程序，便于创建和共享文学化程序文档，支持实时代码、数学方程、可视化和 Markdown，其用途包括数据清理和转换、数值模拟、统计建模、机器学习等等。目前，数据挖掘领域中最热门的比赛 Kaggle 里的资料都是 Jupyter 格式。对于人工智能新手来说，学会使用 Jupyter Notebook 非常重要[2]。
作为程序员的我，原先比较喜欢用Eclipse做Java开发，也就在Eclipse上安装PyDev插件，进行Python学习和深度学习算法学习研究，写本文8个月前，在招聘了一位人工智能开发者后，经过短暂的交流，了解到有这样的工具Jupyter，开发过程中，随时能看到输出结果，类似早年的PowerBuilder/Delphi。
既然很多人在用Jupyter工具进行人工智能开发，我也试一试，实践。
1. 安装Jupyter
对于我初步实际操作人工智能，不了解使用 Anaconda，为了简化依赖知识，这里仅使用Python的pip3命令来安装jupyter。那么，首先需要确保你的机器正在运行最新版本的 pip，简单的说就是先升级pip，再安装jupyter。 如果你已经安装了 Python3.6(或3.5以上版本)，那么 pip 已经安装好了(本部分安装详见参考材料[1])。要升级到最新的版本，请参照下面的代码：
D:\Python\Python36>python -m pip install --upgrade pip
Collecting pip
100% |████████████████████████████████| 1.3MB 504kB/s
Installing collected packages: pip
Found existing installation: pip 9.0.1
Uninstalling pip-9.0.1:
Successfully uninstalled pip-9.0.1
Successfully installed pip-18.1
D:\Python\Python36>python -m pip install jupyter
1
2
3
4
5
6
7
8
9
10
11
2. 启动Jupyter
安装Jupyter成功后，详见如下目录，其中启动文件jupyter-notebook.exe在scripts目录下。
D:\Python\Python36>dir scripts
驱动器 D 中的卷是 DATA
卷的序列号是 A611-0321
D:\Python\Python36\scripts 的目录
2019/01/16 20:10
2019/01/16 20:10
......
2019/01/16 20:10 102,759 jupyter-nbconvert.exe
2019/01/16 20:10 102,758 jupyter-nbextension.exe
2019/01/16 20:10 102,757 jupyter-notebook.exe
1
2
3
4
5
6
7
8
9
10
11
12
其中，PATH环境变量中包括“D:\Python\Python36\Scripts;D:\Python\Python36\”，所以，在D:\Python\Python36\目录下，直接键入jupyter-notebook启动jupyter服务和浏览器端(注意：浏览器带有Token)，如下所示。
D:\Python\Python36>jupyter-notebook
[I 20:14:54.206 NotebookApp] Writing notebook server cookie secret to C:\Users\xiaoyw\AppData\Roaming\jupyter\runtime\notebook_cookie_secret
[I 20:14:54.777 NotebookApp] Serving notebooks from local directory: D:\Python\Python36
[I 20:14:54.777 NotebookApp] The Jupyter Notebook is running at:
[I 20:14:54.780 NotebookApp] Use Control-C to stop this server and shut down all kernels (twice to skip confirmation).
[C 20:14:54.800 NotebookApp]
To access the notebook, open this file in a browser:
file:///C:/Users/xiaoyw/AppData/Roaming/jupyter/runtime/nbserver-7564-open.html
Or copy and paste one of these URLs:
1
2
3
4
5
6
7
8
9
10
11
12
在这里插入图片描述
选择“New->Python3”，创建新的代码(启动jupyter notebook之后，可以看到只有一个kernel存在，关于Python虚拟环境，另辟专题讨论)。
为了方便操作，在桌面创建快捷。
如果想终止jupyter notebook的服务，可在开启这个服务的终端窗口，同时按下组合键“CTRL+C”，来终止它。
3. Tensorflow的Hello World
新建Python代码，如下图所示逐行写入代码，实现输出预期结果“Hello， TensorFlow”。
在这里插入图片描述
散点图示例[3]：
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
#表示直接在浏览器中显示matplotlib图表
%matplotlib inline
a = tf.random_normal([2,20]) #定义2x20的随机数矩阵
sess = tf.Session() #启动一个tensorflow会话
out = sess.run(a) # 用在sess会话里执行a，结果放out里
x, y = out
plt.scatter(x, y) #用pyplot创建一系列散列点，坐标为x和y
sess.close()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
在这里插入图片描述
4. 关于TensorFlow的数据流图(计算图)
数据流图是TensorFlow中最重要也最基础的概念，它将数据看作“流”、将数据处理算法看作节点，从而任意一种复杂算法都能够用一张图来表示。而TensorFlow使用张量(Tensor)来表示所有类型的数据，相应的数据流图便称为Tensor Flow Graph。比如训练一个神经网络，或如下示例单输入神经元，TensorFlow内部会将运算过程表示为一个数据流图。
在这里插入图片描述
如上图所示，数据流图由节点和有向边组成，节点代表操作(计算、存储等)，有向边代表数据，这里就是指张量。
在这里插入图片描述
数据流是一种用于并行计算的常用编程模型。在数据流图中，节点表示计算单元，边缘表示计算使用或产生的数据。例如，在 TensorFlow 图中，tf.matmul 操作对应于单个节点，该节点具有两个传入边(要相乘的矩阵)和一个传出边(乘法结果)。
5. TensorBoard展示、分析数据流图
演示“单输入神经元”代码：
import tensorflow as tf
weight = tf.Variable(1.0, name="weight")
input_value = tf.constant(0.5, name="input_value")
expected_output = tf.constant(0.0, name="expected_output")
model = tf.multiply(input_value,weight, "model") #计算模型为input_value与weight的乘积
loss_function = tf.pow(expected_output - model, 2, name="loss_function") #损失函数为输出差的平方
optimizer = tf.train.GradientDescentOptimizer(0.025).minimize(loss_function) #梯度下降优化
for value in [input_value, weight, expected_output, model, loss_function]:
tf.summary.scalar(value.op.name, value)
summaries = tf.summary.merge_all()
sess = tf.Session()
# 训练过程中直接向日志文件添加数据，日志文件为'log_simple_stats'
summary_writer = tf.summary.FileWriter('log_simple_stats', sess.graph)
sess.run(tf.global_variables_initializer())
for i in range(100):
summary_writer.add_summary(sess.run(summaries), i)
sess.run(optimizer)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
启动Jupyter Notebook，写入上面代码，如下图所示，并运行此段代码。
在这里插入图片描述
将在python的目录下，产生日志文件夹为“log_simple_stats”，并在文件夹中有一文件，如下图所示：在这里插入图片描述
启动Tensorboard(帮助hellp描述如下， For example tensorboard --logdir mylogdir or `tensorboard --db sqlite)：
D:\Python\Python36>tensorboard --logdir log_simple_stats
TensorBoard 1.10.0 at http://DESKTOP-KLSHRU3:6006 (Press CTRL+C to quit)
1
2
注：打开防火墙阻止端口6006为开放。浏览器访问地址为：http://DESKTOP-KLSHRU3:6006
如下图所示，在浏览器中可以看到数据流图各个节点的情况，可以通过菜单上的“GRAPHS”，切换到数据流图界面。
在这里插入图片描述
如下图所示，为数据流图的图形界面：
在这里插入图片描述
如果想终止TensorBoard的服务，可在开启这个服务的终端窗口，同时按下组合键“CTRL+C”，来终止它。
针对TensorFlow中纷繁复杂的数据流图，从不同方面进行了优化，并向开发者提供了一个结构清晰、细节充分的层次化算法视图，大大提高了用户在TensorFlow中设计、实现、调试深度学习算法的效率。不同于其他基于神经网络结构、或是训练优化过程的可视化方法，该方法借助数据流图强大的表达能力，能够从顶层概念到实现细节等多个层面来表现深度学习算法，其思路值得我们借鉴和学习[5]。
166
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
