TensorFlow深度学习第一章 人工智能绪论

第一章作业

1、运行并理解a+b的代码（tf1.py和tf2.py）

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
assert tf.__version__.startswith('2.')

# 1.创建计算图阶段
# 创建2个输入端子，指定类型和名字
a_ph = tf.placeholder(tf.float32, name='variable_a')
b_ph = tf.placeholder(tf.float32, name='variable_b')
# 创建输出端子的运算操作，并命名
c_op = tf.add(a_ph, b_ph, name='variable_c')

# 2.运行计算图阶段
# 创建运行环境
sess = tf.InteractiveSession()
# 初始化操作也需要作为操作运行
init = tf.global_variables_initializer()
sess.run(init) # 运行初始化操作，完成初始化
# 运行输出端子，需要给输入端子赋值
c_numpy = sess.run(c_op, feed_dict={a_ph: 2., b_ph: 4.})
# 运算完输出端子才能得到数值类型的c_numpy
print('a+b=',c_numpy)

import tensorflow as tf
assert tf.__version__.startswith('2.')

# 1.创建输入张量
a = tf.constant(2.)
b = tf.constant(4.)
# 2.直接计算并打印
print('a+b=',a+b)

2、运行并理解gpu_accelerate.py代码，如果没有gpu则注释相关gpu的代码，得到运行产生的图片文件。理解并掌握折线图的绘制方法。

import  numpy as np
import  matplotlib
from    matplotlib import pyplot as plt
# Default parameters for plots
matplotlib.rcParams['font.size'] = 20
matplotlib.rcParams['figure.titlesize'] = 20
matplotlib.rcParams['figure.figsize'] = [9, 7]
matplotlib.rcParams['font.family'] = ['STKaiti']
matplotlib.rcParams['axes.unicode_minus']=False 



import tensorflow as tf
import timeit




cpu_data = []
gpu_data = []
for n in range(9):
   n = 10**n
   # 创建在CPU上运算的2个矩阵
   with tf.device('/cpu:0'):
      cpu_a = tf.random.normal([1, n])
      cpu_b = tf.random.normal([n, 1])
      print(cpu_a.device, cpu_b.device)
   # 创建使用GPU运算的2个矩阵
   # with tf.device('/gpu:0'):
   #  gpu_a = tf.random.normal([1, n])
   #  gpu_b = tf.random.normal([n, 1])
   #  print(gpu_a.device, gpu_b.device)

   def cpu_run():
      with tf.device('/cpu:0'):
         c = tf.matmul(cpu_a, cpu_b)
      return c 

   # def gpu_run():
   #  with tf.device('/gpu:0'):
   #     c = tf.matmul(gpu_a, gpu_b)
   #  return c

   # 第一次计算需要热身，避免将初始化阶段时间结算在内
   cpu_time = timeit.timeit(cpu_run, number=10)
   # gpu_time = timeit.timeit(gpu_run, number=10)
   # print('warmup:', cpu_time, gpu_time)
   print('warmup:', cpu_time)
   # 正式计算10次，取平均时间
   cpu_time = timeit.timeit(cpu_run, number=10)
   # gpu_time = timeit.timeit(gpu_run, number=10)
   # print('run time:', cpu_time, gpu_time)
   print('run time:', cpu_time)
   cpu_data.append(cpu_time/10)
   # gpu_data.append(gpu_time/10)

   # del cpu_a,cpu_b,gpu_a,gpu_b
   del cpu_a, cpu_b

x = [10**i for i in range(9)]
cpu_data = [1000*i for i in cpu_data]
# gpu_data = [1000*i for i in gpu_data]
plt.plot(x, cpu_data, 'C1')
plt.plot(x, cpu_data, color='C1', marker='s', label='CPU')
# plt.plot(x, gpu_data,'C0')
# plt.plot(x, gpu_data, color='C0', marker='^', label='GPU')


plt.gca().set_xscale('log')
plt.gca().set_yscale('log')
plt.ylim([0,100])
plt.xlabel('矩阵大小n:(1xn)@(nx1)')
plt.ylabel('运算时间(ms)')
plt.legend()
# plt.savefig('gpu-time.svg')
plt.show()

电脑配置问题。显卡不支持GPU，只能运行CPU

3、运行并理解autograd.py代码。修改代码，同时求y对w的导数和y对b的导数。

import tensorflow as tf 

# 创建4个张量
a = tf.constant(1.)
b = tf.constant(2.)
c = tf.constant(3.)
w = tf.constant(4.)


with tf.GradientTape() as tape:# 构建梯度环境
   tape.watch([w,b]) # 将w加入梯度跟踪列表
   # 构建计算过程
   y = a * w**2 + b * w + c
# 求导
w,b = tape.gradient(y, [w,b])
print(w,b)