TensorFlow深度学习入门

一.简介

　　TensorFlow是Google第二代机器学习和深度学习框架，支持CNN、RNN和LSTM算法，可以跨平台运行。TensorFlow底层部分是C++实现，具有较高的执行效率。支持不同的前端，包含Python和C++。

二.安装

　　安装TensorFlow框架需要安装一些依赖工具，这些工具包括：

　　　　1.html5lib-0.9999999

　　　　2.bleach-1.5.0-py2.py3-none-any.whl

　　　　3.Markdown-2.6.11-py2.py3-none-any.whl

　　　　4.protobuf-3.6.1-cp36-cp36m-win_amd64.whl

　　　　5.tensorboard-1.10.0-py3-none-any.whl

　　　　6.tensorflow_tensorboard-1.5.1-py3-none-any.whl

　　注意：在安装bleach-1.5.0-py2.py3-none-any.whl时会先下载html5lib-0.9999999.tar.gz包，就算是你已经安装好了html5lib，还是会继续下载，这时要是网络较差，就会一直下载失败，此时，可以这样执行安装，命令如下：pip install bleach-1.5.0-py2.py3-none-any.whl html5lib-0.9999999.tar.gz，记住，是tag.gz包，在windows下，文件扩展名gz不显示。　　

　　在上面提到的依赖安装完成后，执行安装tensorflow框架，安装成功如下：

　　验证：

　　　　

　　在程序中引入tensorflow不提示无法识别！

三.代码实现

1 # -*- coding: utf-8 -*-
 2 """
 3 Created on Tue Oct  2 15:49:08 2018
 4
 5 @author: zhen
 6 """
 7
 8 import tensorflow as tf
 9 import numpy as np
10 from sklearn.datasets import  fetch_california_housing
11
12 x = tf.Variable(3, name='x')
13 y = tf.Variable(4, name='y')
14
15 # 任何创建的节点会自动加入到默认的图中
16 print(x.graph is tf.get_default_graph())
17
18 # 创建新的图
19 graph = tf.Graph()
20
21 with graph.as_default():
22     # 只在with范围内有效
23     demo = tf.Variable(3)
24
25 print(demo.graph is graph)
26
27 demo2 = tf.Variable(3)
28 print(demo2.graph is graph)
29
30 # 创建常量
31 constant = tf.constant(3)
32
33 f = x * x * y + x * y + 1
34 f2 = f * constant
35
36 # 可以不分别对每个变量去进行初始化，在run运行时初始化
37 init = tf.global_variables_initializer()
38
39 with tf.Session() as sess:
40     init.run()
41     result = f.eval()
42     result2 = f2.eval()
43     print(result, result2)
44
45     f_result, f2_result = sess.run([f, f2])
46     print(f_result, f2_result)
47
48 # 获取数据集
49 housing = fetch_california_housing(data_home="C:/Users/zhen/.spyder-py3/data", download_if_missing=True)
50 # 获取x数据行数和列数
51 m, n = housing.data.shape
52 # 添加额外数据加入特征
53 housing_data_plus_bias = np.c_[np.ones((m, 1)), housing.data]
54 # 创建两个Tensorflow常量节点x和y，去持有数据和标签
55 x = tf.constant(housing_data_plus_bias, dtype=tf.float32, name='x')
56 y = tf.constant(housing.target.reshape(-1, 1), dtype=tf.float32, name='y')
57 # 矩阵操作
58 xt = tf.transpose(x)
59 # 计算最优解
60 theta = tf.matmul(tf.matmul(tf.matrix_inverse(tf.matmul(xt, x)), xt), y)
61 with tf.Session() as sess:
62     theta_value = theta.eval()
63     print(theta_value)

四.代码详解

　　1.代码在执行时可能会报一下AVX警告【不影响程序正常执行】：

2020-01-13 09:46:26.930863: W C:\tf_jenkins\home\workspace\rel-win\M\windows\PY\36\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX instructions, but these are available on your machine and could speed up CPU computations.
2020-01-13 09:46:26.931377: W C:\tf_jenkins\home\workspace\rel-win\M\windows\PY\36\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations.

　　这个警告意思是你安装的TensorFlow支持AVX/AVX2，但是没有编译，不能使用。使用AVX/AVX2可以提升你CPU的执行效率。一般出现这种情况是你安装TensorFlow时使用的是pip install tensorflow而不是源码安装。遇到这种情况可以在你的代码中添加一下程序指定日志级别，屏蔽警告信息：

import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'

　　2.fetch_california_housing

　　　　加利福尼亚购房信息数据，这是一个开放的数据源，广泛使用在线性回归&逻辑回归算法的训练上。使用fetch_california_housing(data_home="C:/Users/zhen/.spyder-py3/data", download_if_missing=True)这行程序可以使用这个数据集。download_if_missing=True表示若data_home目录下不存在该数据，就直接下载该数据，若存在则直接加载此数据。

　　3.tf.Variable() & tf.constant()

　　　　使用tensorflow创建变量，variable是可变变量，constant是常量。

　　4.eval()和run()的区别

　　　　eval()：将字符串对象转换为有效的表达式参与求值运算并返回计算结果。eval()也是启动计算的一种方式。基于tensorflow的基本原理，首先需要定义图，然后计算图，其中计算图的函数常见的有run()函数，如sess.run()。要注意的是，eval()只能用于tf.Tensor类对象，也就是有输出的Operation。对于没有输出的Operation，可以用run()或者Session.run()，Session.run()没有这个限制。

　　5.np.ones & np.c_ & np.r_

　　　　np.ones：创建一个全是1的n维数组，有三个参数：shape【指定返回数组的大小】、dtype【数组元素的类型，可以不指定，自动推演】、order【是否以内存中的C或Fortran连续顺序存储多维数据，可以不指定】。

　　　　np.c_：按行连接两个矩阵，就是把两个矩阵按行进行拼接，要求行数一致。

　　　　np.r_：按列连接两个矩阵，就是把两个矩阵按列进行拼接，要求列数一致。

　　6.tf.transpose & tf.matmul

　　　　tf.transpose：矩阵转置

　　　　tf.matmul：矩阵相乘，与此类似的还有tf.multiply，tf.multiply表示矩阵对应元素相乘！

　　7.tf.matrix_diag & tf.matrix_inverse

　　　　tf.matrix_diag：输入一个向量，输出二维的对角矩阵。

　　　　tf.matrix_inverse：输入一个矩阵，得到该矩阵的逆矩阵。需要矩阵中的数据为浮点数！

五.执行结果

　　

六.备注

　　离线包下载：https://pan.baidu.com/s/1DQdOViNreI9OjiGWLWHZ6g 提取码：ddfp