TensorFlow 完整的TensorFlow入门教程

本文为转载，原博客地址：https://blog.csdn.net/lengguoxing/article/details/78456279

1：你想要学习 TensorFlow，首先你得安装Tensorflow，在你学习的时候你最好懂以下的知识：

     a：怎么用python编程；

     b：了解一些关于数组的知识；

     c：最理想的情况是：关于机器学习，懂一点点；或者不懂也是可以慢慢开始学习的。

2：TensorFlow提供很多API，最低级别是API: TensorFlow Core，提供给你完成程序控制,还有一些 高级别的API，它们是构建在

TensorFlow Core 之上 的，这些高级别的API更加容易学习和使用， 于此同时，这些高级别的API使得重复的训练任务更加容易，

也使得多个使用者操作对他保持 一致 性， 一个高级别的API像 tf.estimator 帮助你管理数据集合，估量，训练和推理。

3： Tensors TensorFlow的数据中央控制单元是 tensor(张量)，一个tensor由一系列的原始值 组成，这些值被形成一个任意维数的数组。

一个tensor的 列就是它的维度。

4：

[python] view plain copy

1. import tensorflow as tf  

上面的是TensorFlow 程序典型的导入语句，作用是：赋予Python访问TensorFlow类(classes)，方法（methods），符号(symbols)

5 ： The Computational Graph  TensorFlow核心程序由2个独立部分组成：

    a:Building the computational graph构建计算图

    b:Running the computational graph运行计算图

一个computational graph(计算图)是一系列的TensorFlow操作排列成一个节点图。

[python] view plain copy

1. node1 = tf.constant(3.0, dtype=tf.float32)  
2. node2 = tf.constant(4.0)# also tf.float32 implicitly  
3. print(node1, node2)  

最后打印结果是：

[python] view plain copy

1. Tensor("Const:0", shape=(), dtype=float32) Tensor("Const_1:0",shape=(), dtype=float32)  

要想打印最终结果，我们必须用到 session:一个session封装了TensorFlow运行时的控制和状态

[python] view plain copy

1. sess = tf.Session()  
2. print(sess.run([node1, node2]))  

我们可以组合Tensor节点操作(操作仍然是一个节点)来构造更加复杂的计算，

[python] view plain copy

1. node3 = tf.add(node1, node2)  
2. print("node3:", node3)  
3. print("sess.run(node3):", sess.run(node3))  

打印结果是：

[python] view plain copy

1. node3:Tensor("Add:0", shape=(), dtype=float32)  
2. sess.run(node3):7.0  

6：TensorFlow提供一个统一的调用称之为 TensorBoard，它能展示一个计算图的图片；如下面这个 截图就展示了这个计算图

7：一个计算图可以参数化的接收外部的输入，作为一个 placeholders(占位符)，一个占位符是 允许后面提供一个值的。

[python] view plain copy

1. a = tf.placeholder(tf.float32)  
2. b = tf.placeholder(tf.float32)  
3. adder_node = a + b  # + provides a shortcut for tf.add(a, b)  

这里有点像一个function (函数)或者lambda表达式，我们定义了2个输入参数a和b，然后提供一个在它们之上的操作。我们可以使用

feed_dict(传递字典)参数传递具体的值到run方法的占位符来进行多个输入，从而来计算这个图。

[python] view plain copy

1. print(sess.run(adder_node, {a:3, b:4.5}))  
2. print(sess.run(adder_node, {a: [1,3], b: [2,4]}))  

结果是：

[python] view plain copy

1. 7.5  
2. [3.  7.]  

在TensorBoard，计算图类似于这样：

8：我们可以增加另外的操作来让计算图更加复杂，比如

[python] view plain copy

1.     add_and_triple = adder_node *3.  
2. print(sess.run(add_and_triple, {a:3, b:4.5}))  
3. 输出结果是：  
4. 22.5  

在TensorBoard，计算图类似于这样：

9：在机器学习中，我们通常想让一个模型可以接收任意多个输入，比如大于1个，好让这个模型 可以被训练，在不改变输入的情况下,

我们需要改变这 个计算图去获得一个新的输出。变量允许 我们增加可训练的参数到这个计算图中，它们被构造成有一个类型和初始值：

[python] view plain copy

1.     W = tf.Variable([.3], dtype=tf.float32)  
2. b = tf.Variable([-.3], dtype=tf.float32)  
3. x = tf.placeholder(tf.float32)  
4. linear_model = W*x + b  

10 ：当你调用 tf.constant 时 常量被初始化， 它们的值是不可以改变的 ，而变量当你调用 tf.Variable 时没有被初始化，

在TensorFlow程序中要想初始化这 些变量，你必须明确调用一个特定的操作， 如下：

[python]  view plain  copy

1. init = tf.global_variables_initializer()  
2. .run(init)  

11：要实现初始化所有全局变量的TensorFlow子图的的处理是很重要的，直到我们调用 sess.run， 这些变量都是未被初始化的。

既然x是一个占位符， 我们就可以同时地对多个x的值进行求值 linear_model ，例如：

[python] view plain copy

1.     print(sess.run(linear_model, {x: [1,2,3,4]}))  
2. 求值linear_model   
3. 输出为  
4. [0.  0.30000001  0.60000002  0.90000004]  

12 ：我们已经创建了一个模型，但是我们至今不知道它是多好，在这些训练数据上对这个模型进行评估，我们需要一个

y占位符来提供一个期望的值， 并且我们需要写一个 loss function (损失 函数)，一个损失函数度量当前的模型和提供

的数据有多远，我们将会使用一个标准的损失模式 来线性回 归，它的增量平方和就是当前模型与提供的数据之间的损失

， linear_model - y 创建一 个向量，其中每个元素都是对应的示例错误增量。这个错误 的方差我们称为 tf.square 。然后

，我 们合计所有的错误方差用以创建一个标量，用 tf.reduce_sum 抽象出所有示例的错误。

[python]  view plain  copy

1.     y = tf.placeholder(tf.float32)  
2. squared_deltas = tf.square(linear_model - y)  
3. loss = tf.reduce_sum(squared_deltas)  
4. print(sess.run(loss, {x: [1,2,3,4], y: [0, -1, -2, -3]}))  
5. 输出的结果为  
6. 23.66  

13：我们分配一个值给W和b(得到一个完美的值是-1和1)来手动改进这一点,一个变量被初始化一个值 会调用 tf.Variable ，

但是可以用tf.assign来改变这 个值，例如： fixW = tf.assign(W, [- 1. ])

[python] view plain copy

1.     fixb = tf.assign(b, [1.])  
2. sess.run([fixW, fixb])  
3. print(sess.run(loss, {x: [1,2,3,4], y: [0, -1, -2, -3]}))  
4. 最终打印的结果是：  
5. 0.0  

14 ： tf.train API TessorFlow提供 optimizers (优化器)，它能慢慢改变每一个变量以最小化 损 失 函 数，最简单的优化器是

gradient descent (梯度 下降)，它根据变量派生出损失的大小, 来修改每个变量。通常手工计算变量符号是乏味且容易出错的，

因此，TensorFlow使用函数 tf.gradients 给 这个模型一个描述，从而能自动地提供衍生品，简而言之，优化器通常会为你做 这个。例如：

[python]  view plain  copy

1.     optimizer = tf.train.GradientDescentOptimizer(0.01)  
2. train = optimizer.minimize(loss)  
3. sess.run(init)# reset values to incorrect defaults.  
4. for iin range(1000):  
5.    sess.run(train, {x: [1,2,3,4], y: [0, -1, -2, -3]})  
6.   
7. print(sess.run([W, b]))  
8. 输出结果为  
9. [array([-0.9999969], dtype=float32), array([ 0.99999082], dtype=float32)]  

现在你已经完成了实际的机器学习，尽管这个简单的线性回归模型不要求太多TensorFlow core 代码， 更复杂的模型和

方法将数据输入到模型中， 需要跟多的代码，因此TensorFlow为常见模式 ，结构和功能提供更高级别的抽象，我们将会

在下一个章节学习这些抽象。

15 ： tf.estimator tf.setimator 是一个更高级别的TensorFlow库，它简化了机械式的机器 学习，包含以下几个方面：

• running training loops 运行训练循环
• running evaluation loops 运行求值循环
• managing data sets 管理数据集合

tf.setimator 定义了很多相同的模型。

16： A custom model tf.setimator 没有把你限制在预定好的模型中，假设我们想要创建一个自 定义的模型，它不是由

TensorFlow建成的。我还是能 保持这些数据集合，输送，训练高级别的 抽象；例如：tf.estimator;

17：现在你有了关于TensorFlow的一个基本工作知识，我们还有更多教程，它能让你学习更多。如果你是一 个机器学习初学者，

你可以继续 学习 MNIST for beginners ， 否则你可以学习 Deep MNIST for experts .

完整的代码：

[python] view plain copy

1. import tensorflow as tf  
2. node1 = tf.constant(3.0, dtype=tf.float32)  
3. node2 = tf.constant(4.0)  # also tf.float32 implicitly  
4. print(node1, node2)  
5.   
6. sess = tf.Session()  
7. print(sess.run([node1, node2]))  
8.   
9. # from __future__ import print_function  
10. node3 = tf.add(node1, node2)  
11. print("node3:", node3)  
12. print("sess.run(node3):", sess.run(node3))  
13.   
14.   
15. # 占位符  
16. a = tf.placeholder(tf.float32)  
17. b = tf.placeholder(tf.float32)  
18. adder_node = a + b  # + provides a shortcut for tf.add(a, b)  
19.   
20. print(sess.run(adder_node, {a: 3, b: 4.5}))  
21. print(sess.run(adder_node, {a: [1, 3], b: [2, 4]}))  
22.   
23. add_and_triple = adder_node * 3.  
24. print(sess.run(add_and_triple, {a: 3, b: 4.5}))  
25.   
26.   
27. # 多个变量求值  
28. W = tf.Variable([.3], dtype=tf.float32)  
29. b = tf.Variable([-.3], dtype=tf.float32)  
30. x = tf.placeholder(tf.float32)  
31. linear_model = W*x + b  
32.   
33. #  变量初始化  
34. init = tf.global_variables_initializer()  
35. sess.run(init)  
36.   
37. print(sess.run(linear_model, {x: [1, 2, 3, 4]}))  
38.   
39. # loss function  
40. y = tf.placeholder(tf.float32)  
41. squared_deltas = tf.square(linear_model - y)  
42. loss = tf.reduce_sum(squared_deltas)  
43. print("loss function", sess.run(loss, {x: [1, 2, 3, 4], y: [0, -1, -2, -3]}))  
44.   
45. ss = (0-0)*(0-0) + (0.3+1)*(0.3+1) + (0.6+2)*(0.6+2) + (0.9+3)*(0.9+3)  # 真实算法  
46. print("真实算法ss", ss)  
47.   
48. print(sess.run(loss, {x: [1, 2, 3, 4], y: [0, 0.3, 0.6, 0.9]}))  # 测试参数  
49.   
50. # ft.assign 变量重新赋值  
51. fixW = tf.assign(W, [-1.])  
52. fixb = tf.assign(b, [1.])  
53. sess.run([fixW, fixb])  
54. print(sess.run(linear_model, {x: [1, 2, 3, 4]}))  
55. print(sess.run(loss, {x: [1, 2, 3, 4], y: [0, -1, -2, -3]}))  
56.   
57.   
58. # tf.train API  
59. optimizer = tf.train.GradientDescentOptimizer(0.01)  # 梯度下降优化器  
60. train = optimizer.minimize(loss)    # 最小化损失函数  
61. sess.run(init)  # reset values to incorrect defaults.  
62. for i in range(1000):  
63.   sess.run(train, {x: [1, 2, 3, 4], y: [0, -1, -2, -3]})  
64.   
65. print(sess.run([W, b]))  
66.   
67.   
68. print("------------------------------------1")  
69.   
70. # Complete program:The completed trainable linear regression model is shown here:完整的训练线性回归模型代码  
71. # Model parameters  
72. W = tf.Variable([.3], dtype=tf.float32)  
73. b = tf.Variable([-.3], dtype=tf.float32)  
74. # Model input and output  
75. x = tf.placeholder(tf.float32)  
76. linear_model = W*x + b  
77. y = tf.placeholder(tf.float32)  
78.   
79. # loss  
80. loss = tf.reduce_sum(tf.square(linear_model - y))  # sum of the squares  
81. # optimizer  
82. optimizer = tf.train.GradientDescentOptimizer(0.01)  
83. train = optimizer.minimize(loss)  
84.   
85. # training data  
86. x_train = [1, 2, 3, 4]  
87. y_train = [0, -1, -2, -3]  
88. # training loop  
89. init = tf.global_variables_initializer()  
90. sess = tf.Session()  
91. sess.run(init) # reset values to wrong  
92. for i in range(1000):  
93.   sess.run(train, {x: x_train, y: y_train})  
94.   
95. # evaluate training accuracy  
96. curr_W, curr_b, curr_loss = sess.run([W, b, loss], {x: x_train, y: y_train})  
97. print("W: %s b: %s loss: %s"%(curr_W, curr_b, curr_loss))  
98.   
99.   
100. print("------------------------------------2")  
101.   
102. # tf.estimator  使用tf.estimator实现上述训练  
103. # Notice how much simpler the linear regression program becomes with tf.estimator:  
104. # NumPy is often used to load, manipulate and preprocess data.  
105. import numpy as np  
106. import tensorflow as tf  
107.   
108. # Declare list of features. We only have one numeric feature. There are many  
109. # other types of columns that are more complicated and useful.  
110. feature_columns = [tf.feature_column.numeric_column("x", shape=[1])]  
111.   
112. # An estimator is the front end to invoke training (fitting) and evaluation  
113. # (inference). There are many predefined types like linear regression,  
114. # linear classification, and many neural network classifiers and regressors.  
115. # The following code provides an estimator that does linear regression.  
116. estimator = tf.estimator.LinearRegressor(feature_columns=feature_columns)  
117.   
118. # TensorFlow provides many helper methods to read and set up data sets.  
119. # Here we use two data sets: one for training and one for evaluation  
120. # We have to tell the function how many batches  
121. # of data (num_epochs) we want and how big each batch should be.  
122. x_train = np.array([1., 2., 3., 4.])  
123. y_train = np.array([0., -1., -2., -3.])  
124. x_eval = np.array([2., 5., 8., 1.])  
125. y_eval = np.array([-1.01, -4.1, -7, 0.])  
126. input_fn = tf.estimator.inputs.numpy_input_fn(  
127.     {"x": x_train}, y_train, batch_size=4, num_epochs=None, shuffle=True)  
128. train_input_fn = tf.estimator.inputs.numpy_input_fn(  
129.     {"x": x_train}, y_train, batch_size=4, num_epochs=1000, shuffle=False)  
130. eval_input_fn = tf.estimator.inputs.numpy_input_fn(  
131.     {"x": x_eval}, y_eval, batch_size=4, num_epochs=1000, shuffle=False)  
132.   
133. # We can invoke 1000 training steps by invoking the  method and passing the  
134. # training data set.  
135. estimator.train(input_fn=input_fn, steps=1000)  
136.   
137. # Here we evaluate how well our model did.  
138. train_metrics = estimator.evaluate(input_fn=train_input_fn)  
139. eval_metrics = estimator.evaluate(input_fn=eval_input_fn)  
140. print("train metrics: %r"% train_metrics)  
141. print("eval metrics: %r"% eval_metrics)  
142.   
143.   
144. print("------------------------------------3")  
145.   
146. # A custom model：客户自定义实现训练  
147. # Declare list of features, we only have one real-valued feature  
148. def model_fn(features, labels, mode):  
149.   # Build a linear model and predict values  
150.   W = tf.get_variable("W", [1], dtype=tf.float64)  
151.   b = tf.get_variable("b", [1], dtype=tf.float64)  
152.   y = W*features['x'] + b  
153.   # Loss sub-graph  
154.   loss = tf.reduce_sum(tf.square(y - labels))  
155.   # Training sub-graph  
156.   global_step = tf.train.get_global_step()  
157.   optimizer = tf.train.GradientDescentOptimizer(0.01)  
158.   train = tf.group(optimizer.minimize(loss),  
159.                    tf.assign_add(global_step, 1))  
160.   # EstimatorSpec connects subgraphs we built to the  
161.   # appropriate functionality.  
162.   return tf.estimator.EstimatorSpec(  
163.       mode=mode,  
164.       predictions=y,  
165.       loss=loss,  
166.       train_op=train)  
167.   
168. estimator = tf.estimator.Estimator(model_fn=model_fn)  
169. # define our data sets  
170. x_train = np.array([1., 2., 3., 4.])  
171. y_train = np.array([0., -1., -2., -3.])  
172. x_eval = np.array([2., 5., 8., 1.])  
173. y_eval = np.array([-1.01, -4.1, -7., 0.])  
174. input_fn = tf.estimator.inputs.numpy_input_fn(  
175.     {"x": x_train}, y_train, batch_size=4, num_epochs=None, shuffle=True)  
176. train_input_fn = tf.estimator.inputs.numpy_input_fn(  
177.     {"x": x_train}, y_train, batch_size=4, num_epochs=1000, shuffle=False)  
178. eval_input_fn = tf.estimator.inputs.numpy_input_fn(  
179.     {"x": x_eval}, y_eval, batch_size=4, num_epochs=1000, shuffle=False)  
180.   
181. # train  
182. estimator.train(input_fn=input_fn, steps=1000)  
183. # Here we evaluate how well our model did.  
184. train_metrics = estimator.evaluate(input_fn=train_input_fn)  
185. eval_metrics = estimator.evaluate(input_fn=eval_input_fn)  
186. print("train metrics: %r"% train_metrics)  
187. print("eval metrics: %r"% eval_metrics)