TensorFlow 完整的TensorFlow入门教程

绝地灬酷狼 2022-01-21 01:25 303阅读 0赞

转载自：[https://blog.csdn.net/lengguoxing/article/details/78456279][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：

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。

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

最后打印结果是：

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

sess = tf.Session() 
        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，

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

打印结果是：

node3:Tensor( "Add:0", shape=(), dtype=float32) 
        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

![Image 1][]

![Center][]

![Image 1][]

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。

a = tf.placeholder(tf.float32) 
        b = tf.placeholder(tf.float32) 
        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。

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

结果是：

7.5 
        [ 3. 7.]

在TensorBoard，计算图类似于这样：

![Center 1][]

![Image 1][]

8：我们可以增加另外的操作来让计算图更加复杂，比如

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

在TensorBoard，计算图类似于这样：

![Center 2][]

![Image 1][]

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：

W = tf.Variable([ .3], dtype=tf.float32) 
        b = tf.Variable([ -.3], dtype=tf.float32) 
        x = tf.placeholder(tf.float32) 
        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：

init = tf.global_variables_initializer() 
        sess.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：

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

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

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

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

import tensorflow as tf 
        node1 = tf.constant( 3.0, dtype=tf.float32) 
        node2 = tf.constant( 4.0) # also tf.float32 implicitly 
        print(node1, node2) 
        
        sess = tf.Session() 
        print(sess.run([node1, node2])) 
        
        # from __future__ import print_function 
        node3 = tf.add(node1, node2) 
        print( "node3:", node3) 
        print( "sess.run(node3):", sess.run(node3)) 
        
        
        # 占位符 
        a = tf.placeholder(tf.float32) 
        b = tf.placeholder(tf.float32) 
        adder_node = a + b # + provides a shortcut for tf.add(a, b) 
        
        print(sess.run(adder_node, {a: 3, b: 4.5})) 
        print(sess.run(adder_node, {a: [ 1, 3], b: [ 2, 4]})) 
        
        add_and_triple = adder_node * 3. 
        print(sess.run(add_and_triple, {a: 3, b: 4.5})) 
        
        
        # 多个变量求值 
        W = tf.Variable([ .3], dtype=tf.float32) 
        b = tf.Variable([ -.3], dtype=tf.float32) 
        x = tf.placeholder(tf.float32) 
        linear_model = W*x + b 
        
        # 变量初始化 
        init = tf.global_variables_initializer() 
        sess.run(init) 
        
        print(sess.run(linear_model, {x: [ 1, 2, 3, 4]})) 
        
        # loss function 
        y = tf.placeholder(tf.float32) 
        squared_deltas = tf.square(linear_model - y) 
        loss = tf.reduce_sum(squared_deltas) 
        print( "loss function", sess.run(loss, {x: [ 1, 2, 3, 4], y: [ 0, -1, -2, -3]})) 
        
        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 
        print( "真实算法ss", ss) 
        
        print(sess.run(loss, {x: [ 1, 2, 3, 4], y: [ 0, 0.3, 0.6, 0.9]})) # 测试参数 
        
        # ft.assign 变量重新赋值 
        fixW = tf.assign(W, [ -1.]) 
        fixb = tf.assign(b, [ 1.]) 
        sess.run([fixW, fixb]) 
        print(sess.run(linear_model, {x: [ 1, 2, 3, 4]})) 
        print(sess.run(loss, {x: [ 1, 2, 3, 4], y: [ 0, -1, -2, -3]})) 
        
        
        # tf.train API 
        optimizer = tf.train.GradientDescentOptimizer( 0.01) # 梯度下降优化器 
        train = optimizer.minimize(loss) # 最小化损失函数 
        sess.run(init) # reset values to incorrect defaults. 
        for i in range( 1000): 
        sess.run(train, {x: [ 1, 2, 3, 4], y: [ 0, -1, -2, -3]}) 
        
        print(sess.run([W, b])) 
        
        
        print( "------------------------------------1") 
        
        # Complete program:The completed trainable linear regression model is shown here:完整的训练线性回归模型代码 
        # Model parameters 
        W = tf.Variable([ .3], dtype=tf.float32) 
        b = tf.Variable([ -.3], dtype=tf.float32) 
        # Model input and output 
        x = tf.placeholder(tf.float32) 
        linear_model = W*x + b 
        y = tf.placeholder(tf.float32) 
        
        # loss 
        loss = tf.reduce_sum(tf.square(linear_model - y)) # sum of the squares 
        # optimizer 
        optimizer = tf.train.GradientDescentOptimizer( 0.01) 
        train = optimizer.minimize(loss) 
        
        # training data 
        x_train = [ 1, 2, 3, 4] 
        y_train = [ 0, -1, -2, -3] 
        # training loop 
        init = tf.global_variables_initializer() 
        sess = tf.Session() 
        sess.run(init) # reset values to wrong 
        for i in range( 1000): 
        sess.run(train, {x: x_train, y: y_train}) 
        
        # evaluate training accuracy 
        curr_W, curr_b, curr_loss = sess.run([W, b, loss], {x: x_train, y: y_train}) 
        print( "W: %s b: %s loss: %s"%(curr_W, curr_b, curr_loss)) 
        
        
        print( "------------------------------------2") 
        
        # tf.estimator 使用tf.estimator实现上述训练 
        # Notice how much simpler the linear regression program becomes with tf.estimator: 
        # NumPy is often used to load, manipulate and preprocess data. 
        import numpy as np 
        import tensorflow as tf 
        
        # Declare list of features. We only have one numeric feature. There are many 
        # other types of columns that are more complicated and useful. 
        feature_columns = [tf.feature_column.numeric_column( "x", shape=[ 1])] 
        
        # An estimator is the front end to invoke training (fitting) and evaluation 
        # (inference). There are many predefined types like linear regression, 
        # linear classification, and many neural network classifiers and regressors. 
        # The following code provides an estimator that does linear regression. 
        estimator = tf.estimator.LinearRegressor(feature_columns=feature_columns) 
        
        # TensorFlow provides many helper methods to read and set up data sets. 
        # Here we use two data sets: one for training and one for evaluation 
        # We have to tell the function how many batches 
        # of data (num_epochs) we want and how big each batch should be. 
        x_train = np.array([ 1., 2., 3., 4.]) 
        y_train = np.array([ 0., -1., -2., -3.]) 
        x_eval = np.array([ 2., 5., 8., 1.]) 
        y_eval = np.array([ -1.01, -4.1, -7, 0.]) 
        input_fn = tf.estimator.inputs.numpy_input_fn( 
        { "x": x_train}, y_train, batch_size= 4, num_epochs= None, shuffle= True) 
        train_input_fn = tf.estimator.inputs.numpy_input_fn( 
        { "x": x_train}, y_train, batch_size= 4, num_epochs= 1000, shuffle= False) 
        eval_input_fn = tf.estimator.inputs.numpy_input_fn( 
        { "x": x_eval}, y_eval, batch_size= 4, num_epochs= 1000, shuffle= False) 
        
        # We can invoke 1000 training steps by invoking the method and passing the 
        # training data set. 
        estimator.train(input_fn=input_fn, steps= 1000) 
        
        # Here we evaluate how well our model did. 
        train_metrics = estimator.evaluate(input_fn=train_input_fn) 
        eval_metrics = estimator.evaluate(input_fn=eval_input_fn) 
        print( "train metrics: %r"% train_metrics) 
        print( "eval metrics: %r"% eval_metrics) 
        
        
        print( "------------------------------------3") 
        
        # A custom model：客户自定义实现训练 
        # Declare list of features, we only have one real-valued feature 
        def model_fn(features, labels, mode): 
        # Build a linear model and predict values 
        W = tf.get_variable( "W", [ 1], dtype=tf.float64) 
        b = tf.get_variable( "b", [ 1], dtype=tf.float64) 
        y = W*features[ 'x'] + b 
        # Loss sub-graph 
        loss = tf.reduce_sum(tf.square(y - labels)) 
        # Training sub-graph 
        global_step = tf.train.get_global_step() 
        optimizer = tf.train.GradientDescentOptimizer( 0.01) 
        train = tf.group(optimizer.minimize(loss), 
        tf.assign_add(global_step, 1)) 
        # EstimatorSpec connects subgraphs we built to the 
        # appropriate functionality. 
        return tf.estimator.EstimatorSpec( 
        mode=mode, 
        predictions=y, 
        loss=loss, 
        train_op=train) 
        
        estimator = tf.estimator.Estimator(model_fn=model_fn) 
        # define our data sets 
        x_train = np.array([ 1., 2., 3., 4.]) 
        y_train = np.array([ 0., -1., -2., -3.]) 
        x_eval = np.array([ 2., 5., 8., 1.]) 
        y_eval = np.array([ -1.01, -4.1, -7., 0.]) 
        input_fn = tf.estimator.inputs.numpy_input_fn( 
        { "x": x_train}, y_train, batch_size= 4, num_epochs= None, shuffle= True) 
        train_input_fn = tf.estimator.inputs.numpy_input_fn( 
        { "x": x_train}, y_train, batch_size= 4, num_epochs= 1000, shuffle= False) 
        eval_input_fn = tf.estimator.inputs.numpy_input_fn( 
        { "x": x_eval}, y_eval, batch_size= 4, num_epochs= 1000, shuffle= False) 
        
        # train 
        estimator.train(input_fn=input_fn, steps= 1000) 
        # Here we evaluate how well our model did. 
        train_metrics = estimator.evaluate(input_fn=train_input_fn) 
        eval_metrics = estimator.evaluate(input_fn=eval_input_fn) 
        print( "train metrics: %r"% train_metrics) 
        print( "eval metrics: %r"% eval_metrics)

[https_blog.csdn.net_lengguoxing_article_details_78456279]: https://blog.csdn.net/lengguoxing/article/details/78456279
[Image 1]: 
[Center]: /images/20220121/95b07cedb8744ff7ae61ada78d8d9cbe.png
[Center 1]: /images/20220121/41351a4c88c7413088102e51e4fa20a4.png
[Center 2]: /images/20220121/4fe91342cdba42d7ad2625bc5b238b5f.png
[MNIST for beginners]: https://tensorflow.google.cn/get_started/mnist/beginners
[Deep MNIST for experts]: https://tensorflow.google.cn/get_started/mnist/pros