【TensorFlow】TensorFlow入门

安装

conda create -n tf python
pip install tensorflow

若安装速度慢可使用

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

检查是否安装成功
打开python输入

import tensorflow as tf
tf.__version__

输出如下安装成功

最新版本为2.13.0

张量

张量： TensorFlow中所有数据的表示形式
首先导入库

import tensorflow as tf
tf.compat.v1.enable_eager_execution()#用来输出张量的值

张量计算

生成张量

a=tf.constant([1.0,2.0])#a是一个张量
b=tf.constant([2.0,3.0])#b是一个张量

加法

result=a+b#直接相加

乘法

c=tf.matmul(tf.reshape(a,(1, 2)),tf.reshape(a,(2, 1)))

输出结果

输出一个张量，输出为一个Tensor

print("result=",result)

若要直接输出张量的值
在程序开头加上tf.compat.v1.enable_eager_execution()
然后使用

print("result=",result.numpy())

获取张量维度

print("shape=",result.get_shape())#获取张量维度信息

变量

变量： 张量的一种
赋值方式如下

weights=tf.Variable(tf.random.normal([2, 3],stddev=2))#产生一个2×3的矩阵均值为0，方差为2
print("weights=",weights.numpy())
biases=tf.Variable(tf.zeros([3]))#产生一个初始值为0，长度为3的变量
print("biases=",biases.numpy())
#通过其他变量的初始值来初始化新的变量
w2=tf.Variable(tf.random.normal([2, 3],stddev=2))
w2=w2.assign(weights)
print("w2=",w2.numpy())

神经网络

使用TensorFlow构建一个具有一个隐藏层的前馈神经网络：

定义训练数据

首先定义了训练数据x_train和对应的标签y_train

x_train = tf.constant([[0, 0], [0, 1], [1, 0], [1, 1]], dtype=tf.float32)
y_train = tf.constant([[0], [1], [1], [0]], dtype=tf.float32)

定义神经网络模型

使用tf.keras.Sequential构建一个顺序模型，该模型具有一个具有3个神经元和Sigmoid激活函数的隐藏层，以及一个具有1个神经元和Sigmoid激活函数的输出层。

model = tf.keras.Sequential([
    tf.keras.layers.Dense(units=3, activation='sigmoid', input_shape=(2,)),
    tf.keras.layers.Dense(units=1, activation='sigmoid')
])

编译模型

使用compile方法编译模型，指定优化器、损失函数和评估指标。在这里，我们使用Adam优化器、交叉熵损失和准确率作为评估指标。

model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.1),
              loss=tf.keras.losses.BinaryCrossentropy(),
              metrics=['accuracy'])

训练模型

使用fit方法对模型进行训练，将训练数据和标签作为输入，并指定训练的迭代次数。

model.fit(x_train, y_train, epochs=1000, verbose=0)

使用模型进行预测

使用训练好的模型对训练数据进行预测，并打印预测结果。

predictions = model.predict(x_train)
print(predictions)

以下是一个简单的神经网络的代码：

import tensorflow as tf

# 定义训练数据
x_train = tf.constant([[0, 0], [0, 1], [1, 0], [1, 1]], dtype=tf.float32)
y_train = tf.constant([[0], [1], [1], [0]], dtype=tf.float32)

# 定义神经网络模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(units=3, activation='sigmoid', input_shape=(2,)),
    tf.keras.layers.Dense(units=1, activation='sigmoid')
])

# 编译模型
model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.1),
              loss=tf.keras.losses.BinaryCrossentropy(),
              metrics=['accuracy'])

# 训练模型
model.fit(x_train, y_train, epochs=1000, verbose=0)

# 使用模型进行预测
predictions = model.predict(x_train)
print(predictions)