TensorFlow (人工智能）

92 阅读 0 评论 61 点赞

我是靠谱客的博主调皮黑米，最近开发中收集的这篇文章主要介绍TensorFlow (人工智能），觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

基本用法

构建图

构建图的第一步是创建原算子。源算子不需要任何输入，例如常量。源算子的输出传递给其他算子做运算
Python库中，算子构造器的返回值代表被构造出的算子的输出，这些返回值可以传递给其他算子作为输入

简单实用

 import tensorflow as tf
 #构造器返回值代表常量算子的返回值
 matrix1 = tf.constant([[3., 3.]])
 #创建另外一个常量算子
 matrix2 = tf.constant([[2.],[2.]])
 #进行矩阵运算
 product = tf.matmul(matrix1,matrix2)
 #启动默认图
 sess = tf.Session()
 #触发图中三个算子的执行
 res = sess.run(product)
 print(res)
 #任务完成关闭会话
 sess.close()

会话关闭方式

 with tf.Session() as sess:
 	res = sess.run([product])

实用多个cpu或GPU等
```
 with tf.Session() as sess:
 	with tf.device("/gpu:1"):
 		....
```
设备用字符串进行标识。目前支持的设备包括
a. “/cpu:0”：机器的CPU
b. “/gpu:0”：机器的第一个GPU
c. “/gpu:1”：机器的第二个GPU

交互式实用

为了便于使用诸如IPython之类的Python交互环境，可以使用InteractiveSession代替Session类，使用Tensor.eval()和Operation.run()方法代替Session.run()。这样可以避免使用一个变量来持有会话。
```
  import tensorflow as tf
  sess = tf.InteractiveSession()
  x = tf.Variable([1,2])
  a = tf.constant([3,3])
  x.initializer.run()
  ad = tf.add(x,a)
  print(ad.eval())
```
常量

tf.constant创建常量

 #原型：tf.constant(value,dtype=None,shape=None,name='Const',verify_shape=False)
 #直接使用numpy进行赋值
 import tensorflow as tf
 import numpy as np
 tensor = tf.constant(np.arange(12).reshape((2,6)))
 #使用tensorflow自带的方法
 tensor = tf.constant([1,2,3,3],shape=(2,2),name='matric')
 tensor = tf.constant([[1,2],[3,3]]name='matric')

tf.zeros创建常量

 tensor = tf.zeros((2,3),dtype=tf.float32,name=None)
 tensor = tf.ones((2,3),dtype=tf.float32,name=None)

递增序列创建常量

 tensor=tf.linspace(start=1.,stop=10.,num=10,name=None)
 tensor=tf.range(10,delta=2,name=None)
 tensor=tf.range(1,10,delta=2)

使用特殊分布常量

 tf.random_normal(shape,mean = 0,stddev = 1,dtype = tf.float32,seed = None,name = None)
 tf.truncated_normal(shape,mean = 0,stddev = 1,dtype = tf.float32,seed = None,name = None)
 tf.random_uniform(shape,minval = 0.0,maxval = 1.0,dtype = tf.float32,seed = None)：这个函数生成从0到1中平均分布的数值。   
 tf.random_shuffle(value,seed = None,name = None)：传入一个tensor，然后将这个rensor进行随机洗牌。

变量

创建

变量维护图执行过程中的状态信息，其必须先进行初始化才能使用，变量也可以进行分享和保存，变量部分主要有新建、初始化、保存与读取、分享、更新等几个部分

两个常用的创建方法如下：

 a.tf.Variable(initial_value=None, trainable=True, collections=None,validate_shape=True, caching_device=None, name=None, variable_def=None, dtype=None, expected_shape=None, import_scope=None)
 b. tf.get_variable(name, shape=None, dtype=None, initializer=None, regularizer=None, trainable=True, collections=None, caching_device=None, partitioner=None, validate_shape=True, custom_getter=None)

以下示例说明了两个方法的差异

 w_1 = tf.Variable(3,name="w_1")
 w_2 = tf.Variable(1,name="w_1")
 print(w_1.name)
 print(w_2.name)
 ##输出为：w_1:0与w_1_1:0
 w_1 = tf.get_variable(name="w_1",initializer=1)
 w_2 = tf.get_variable(name="w_1",initializer=2)
 ##此处报错
 with tf.variable_scope("scope1"):
 w1 = tf.get_variable("w1", shape=[])
 w2 = tf.Variable(0.0, name="w2")
 with tf.variable_scope("scope1", reuse=True):
     w1_p = tf.get_variable("w1", shape=[])
     w2_p = tf.Variable(1.0, name="w2")
 print(w1 is w1_p, w2 is w2_p)
 ##输出:True False

初始化

tensorflow中所有的变量在架构的时候都是一个框架，并没有具体的值，在初始化之后才有了具体的值。主要的初始化器如下：

1）tf.variables_initilizer(var_list,name = “nint”) ：对指定的一个变量列表进行初始化
2）tf.global_variables_initializer() ：对所有的变量进行初始化。
3）tf.gloable_variables() ：显示图中所有的变量，包括可训练的和不可训练的变量。
4）tf.trainable_variables() ：显示图中可训练的变量，除非创建变量时指定trainable=False，否则均为可训练的。返回的结果是一个变量的列表，变量名是在定义变量的时候命名的名字：name=xxx。如果定义变量时没有显示命名，那么列表中的变量名为：Variable:0 Variable_1:0 Variable_2:0 …………
5）tf.assert_variables_initialized(var_list) 判断传入的变量列表是否已经初始化，如果还有没初始化的，就报错。

注意：这里的初始化只是在计算图中定义了这样的一个节点，这个节点的运算是将变量进行初始化，所以在实际计算中，还是要调用seee.run(initializer),才能真正的完成初始化过程。

深度学习使用

基本使用

导入模块

 import tensorflow as tf
 import numpy as np
 import matplotlib.pyplot as plt

输入与输出

 x_data = np.linspace(-0.5,0.5,200).reshape((-1,1))
 noise = np.random.normal(0,0.02,x_data.shape)
 y_data = np.square(x_data)+noise
 x = tf.placeholder(tf.float32,[None,1])
 y = tf.placeholder(tf.float32,[None,1])
 Weight_L1 = tf.Variable(tf.random.normal([1,10]))
 baise_L1 = tf.Variable(tf.zeros([1,10]))
 Wx_plus_b_L1 = tf.matmul(x,Weight_L1)+baise_L1
 L1 = tf.nn.tanh(Wx_plus_b_L1)
 Weight_L2 = tf.Variable(tf.random_normal([10,1]))
 baise_L2 = tf.Variable(tf.zeros([1,1]))
 Wx_plut_b_L2 = tf.matmul(L1,Weight_L2)+baise_L2

优化器

 predition = tf.nn.tanh(Wx_plut_b_L2)
 loss = tf.reduce_mean(tf.square(y-predition))
 train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

运行代码

 with tf.Session() as sess:
 sess.run(tf.global_variables_initializer())
 for _ in range(3000):
     sess.run(train_step,feed_dict={x:x_data,y:y_data})
     
 predition_value = sess.run(predition,feed_dict={x:x_data})
 plt.figure()
 plt.scatter(x_data,y_data)
 plt.plot(x_data,predition_value)