TensorFlow学习笔记(一)-安装与入门

 Stardustsky   2017-03-06 16:23   1769 人阅读  0 条评论
一.TessorFlow简介
TensorFlow™ 是一个采用数据流图(data flow graphs),用于数值计算的开源软件库。节点(Nodes)在图中表示数学操作,图中的线(edges)则表示在节点间相互联系的多维数据数组,即张量(tensor)。它灵活的架构让你可以在多种平台上展开计算,例如台式计算机中的一个或多个CPU(或GPU),服务器,移动设备等等。TensorFlow 最初由Google大脑小组(隶属于Google机器智能研究机构)的研究员和工程师们开发出来,用于机器学习和深度神经网络方面的研究,但这个系统的通用性使其也可广泛用于其他计算领域。
上面是从官网复制过来的文字,简单来说,TensorFlow就是一个用于机器学习的库,里面提供了一系列强大的方法来帮助开发者处理机器学习中所涉及的数学及模型问题。

二.TensorFlow安装
推荐使用Ubuntu14或者16,本人在使用15的时候遇到了一系列坑,各种迷之报错,最终放弃,为了不在一开始就打消了积极性,还是选择靠谱的系统。
通常来说,只需一条pip命令即可完成安装,官方网站上有介绍,首先安装好pip
sudo apt-get install pip
接下来
# 仅使用 CPU 的版本
$ sudo pip install https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.5.0-cp27-none-linux_x86_64.whl
# 开启 GPU 支持的版本 (安装该版本的前提是已经安装了 CUDA sdk)
$ sudo pip install https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.5.0-cp27-none-linux_x86_64.whl
系统会自动下载好TensorFlow所依赖的numpy库,当然这种方式可能下载速度会比较慢,能翻墙的尽量翻墙,不能的话可以去官网上下载好了直接本地安装比较快。
11.png 这里提一下和机器学习关系比较大的几个库,都可以预先安装好,这样有利于后续工作的开展
sudo pip install scipy
sudo pip install pandas
sudo pip install matplotlib

三.简单测试
在这之前,首先需要说一下TensorFlow的运行方式:
  • 使用图 (graph) 来表示计算任务.

  • 在被称之为 会话 (Session) 的上下文 (context) 中执行图.

  • 使用 tensor 表示数据.

  • 通过 变量 (Variable) 维护状态.

  • 使用 feed 和 fetch 可以为任意的操作(arbitrary operation)

  • 赋值或者从其中获取数据.

一个 TensorFlow 图描述了计算的过程. 为了进行计算, 图必须在 会话 里被启动. 会话将图的op分发到诸如 CPU 或 GPU 之类的 设备 上, 同时提供执行 op 的方法. 这些方法执行后, 将产生的 tensor 返回. 在 Python 语言中, 返回的 tensor 是 numpy ndarray 对象; 在 C 和 C++ 语言中, 返回的 tensor 是tensorflow::Tensor 实例.

1.输出helloword
 import tensorflow as tf
 hello = tf.constant('Hello, TensorFlow!')
 sess = tf.Session()
 print sess.run(hello)
这个例子是使用constant初始化一个常量hello,然后启动TensorFlow的session,再利用其run方法输出hello变量的值,基本TensorFlow的程序都是按此种模式进行的计算,先构建好我们的网络,再启动session来运行我们的网络

2.tf进行简单数学方法
import tensorflow as tf
a = tf.constant(2)
b = tf.constant(3)
with tf.Session() as sess:
    print "a=2, b=3"
    print "Addition with constants: %i" % sess.run(a+b)
    print "Multiplication with constants: %i" % sess.run(a*b)
# output
a=2, b=3
Addition with constants: 5
Multiplication with constants: 6
使用constant初始化一个常量,利用session


3.利用tensorflow的placeholder来定义变量作类似计算
import tensorflow as tf
matrix1 = tf.constant([[3., 3.]])
matrix2 = tf.constant([[3.],[3.]])
product=tf.matmul(matrix1,matrix2)
with tf.Session() as sess:
    result = sess.run(product)
    print result
22.png
定义矩阵matrix1、matrix2,利用matmul函数对这两个矩阵做乘积运算

4.线性回归
import tensorflow as tf
import numpy
import matplotlib.pyplot as plt
rng = numpy.random

# Parameters
learning_rate = 0.01
training_epochs = 2000
display_step = 50

# Training Data
train_X = numpy.asarray([3.3,4.4,5.5,6.71,6.93,4.168,9.779,6.182,7.59,2.167,7.042,10.791,5.313,7.997,5.654,9.27,3.1])
train_Y = numpy.asarray([1.7,2.76,2.09,3.19,1.694,1.573,3.366,2.596,2.53,1.221,2.827,3.465,1.65,2.904,2.42,2.94,1.3])
# shape函数用于求取矩阵长度
n_samples = train_X.shape[0]

# tf Graph Input
X = tf.placeholder("float")
Y = tf.placeholder("float")

# Create Model

# Set model weights
W = tf.Variable(rng.randn(), name="weight")
b = tf.Variable(rng.randn(), name="bias")

# Construct a linear model 创建线性回归公式
# mul为求乘积函数,可用于计算向量和矩阵间的乘积
# add为对常量和变量间求加法操作
activation = tf.add(tf.mul(X, W), b)

# Minimize the squared errors
# pow(x,y)函数为求x为底,y为次方的y次方值
# reduce_sum(x,y) 按tensor维度求和,即将矩阵x按y维进行压缩,y=0则按列进行压缩,y=1则按行进行压缩
33.png
cost = tf.reduce_sum(tf.pow(activation-Y, 2))/(2*n_samples) #L2 loss损失函数值
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost) #Gradient descent梯度下降值

# Initializing the variables
init = tf.initialize_all_variables()

# Launch the graph
with tf.Session() as sess:
    sess.run(init)

    # Fit all training data
    for epoch in range(training_epochs):
        for (x, y) in zip(train_X, train_Y):
            sess.run(optimizer, feed_dict={X: x, Y: y})

        #Display logs per epoch step
        if epoch % display_step == 0:
            print "Epoch:", '%04d' % (epoch+1), "cost=", \
                "{:.9f}".format(sess.run(cost, feed_dict={X: train_X, Y:train_Y})), \
                "W=", sess.run(W), "b=", sess.run(b)

    print "Optimization Finished!"
    print "cost=", sess.run(cost, feed_dict={X: train_X, Y: train_Y}), \
          "W=", sess.run(W), "b=", sess.run(b)

    #Graphic display
    plt.plot(train_X, train_Y, 'ro', label='Original data')
    plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Fitted line')
    plt.legend()
    plt.show()

5.逻辑回归
import tensorflow as tf
# Import MINST data
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("/tmp/data/", one_hot=True)

# Parameters
learning_rate = 0.01
training_epochs = 25
batch_size = 100
display_step = 1

# tf Graph Input
x = tf.placeholder(tf.float32, [None, 784]) # mnist data image of shape 28*28=784
y = tf.placeholder(tf.float32, [None, 10]) # 0-9 digits recognition => 10 classes

# Set model weights
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

# Construct model
pred = tf.nn.softmax(tf.matmul(x, W) + b) # Softmax

# Minimize error using cross entropy
cost = tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred), reduction_indices=1))
# Gradient Descent
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

# Initializing the variables
init = tf.initialize_all_variables()

# Launch the graph
with tf.Session() as sess:
    sess.run(init)

    # Training cycle
    for epoch in range(training_epochs):
        avg_cost = 0.
        total_batch = int(mnist.train.num_examples/batch_size)
        # Loop over all batches
        for i in range(total_batch):
            batch_xs, batch_ys = mnist.train.next_batch(batch_size)
            # Run optimization op (backprop) and cost op (to get loss value)
            _, c = sess.run([optimizer, cost], feed_dict={x: batch_xs,
                                                          y: batch_ys})
            # Compute average loss
            avg_cost += c / total_batch
        # Display logs per epoch step
        if (epoch+1) % display_step == 0:
            print "Epoch:", '%04d' % (epoch+1), "cost=", "{:.9f}".format(avg_cost)

    print "Optimization Finished!"

    # Test model
    correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
    # Calculate accuracy
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    print "Accuracy:", accuracy.eval({x: mnist.test.images, y: mnist.test.labels})

    # result :
    Epoch: 0001 cost= 29.860467369
    Epoch: 0002 cost= 22.001451784
    Epoch: 0003 cost= 21.019925554
    Epoch: 0004 cost= 20.561320320
    Epoch: 0005 cost= 20.109135756
    Epoch: 0006 cost= 19.927862290
    Epoch: 0007 cost= 19.548687116
    Epoch: 0008 cost= 19.429119071
    Epoch: 0009 cost= 19.397068211
    Epoch: 0010 cost= 19.180813479
    Epoch: 0011 cost= 19.026808132
    Epoch: 0012 cost= 19.057875510
    Epoch: 0013 cost= 19.009575057
    Epoch: 0014 cost= 18.873240641
    Epoch: 0015 cost= 18.718575359
    Epoch: 0016 cost= 18.718761925
    Epoch: 0017 cost= 18.673640560
    Epoch: 0018 cost= 18.562128253
    Epoch: 0019 cost= 18.458205289
    Epoch: 0020 cost= 18.538211225
    Epoch: 0021 cost= 18.443384213
    Epoch: 0022 cost= 18.428727668
    Epoch: 0023 cost= 18.304270616
    Epoch: 0024 cost= 18.323529782
    Epoch: 0025 cost= 18.247192113
    Optimization Finished!
    (10000, 784)
    Accuracy 0.9206

四、Tensorflow常用函数表
数学操作函数 数学函数操作 维度操作函数
tf.add tf.add_n tf.reduce_sum
tf.substract tf.abs tf.reduce_prod
tf.multiply tf.negative tf.reduce_min
tf.scalar_mul tf.sign tf.reduce_max
tf.div tf.reciprocal tf.reduce_mean
tf.divide tf.square tf.reduce_all
tf.argmin tf.round
tf.argmax tf.sqrt
tf.setdiff1d tf.rsqrt
tf.where tf.pow
tf.unique tf.exp
本文地址:http://www.stardustsky.net/index.php/post/45.html
版权声明:本文为原创文章,版权归 Stardustsky 所有,欢迎分享本文,转载请保留出处!

 发表评论


表情

还没有留言,还不快点抢沙发?