TensorFlow（安装和初使用）

小咪咪 2022-06-06 00:40 175阅读 0赞

## 安装 ##

1、下载并且安装[Anaconda-3][]。TensorFlow已经支持python3.6因此下载最新版本即可。（安装时有将python目录加入到环境变量中，记得选择）  
2、使用命令`pip install tensorflow`即可安装tensorflow cpu版本。  
gpu版本尚未尝试，gpu版本需要以下依赖

cudnn6.0, 
    windows下cuda8.0、linux下安装最新驱动cuda9.0即可
    pip install tensorflow-gpu

## 使用 ##

1.先引入对应的库

import tensorflow as tf
    import numpy as np

2、伪造回归所用的拟合数据

# 使用numpy
    x_data = np.random.rand(100).astype(np.float32)
    y_data = x_data * 0.1 + 0.3

之后构造静态图模型，用于拟合出来对应的变量

[ 0.81932968  0.77709019  0.93209612  0.54649353  0.90174001  0.81324214
      0.57129693  0.37069476  0.95325828  0.26792726  0.95471644  0.01868326
      0.72079808  0.02420644  0.42940879  0.11925939  0.53292018  0.30874303
      0.6179927   0.65413511  0.91911852  0.12300844  0.22290444  0.68469095
      0.39208147  0.33076292  0.66359794  0.8391552   0.8859579   0.22036755
      0.51191467  0.04532562  0.15988326  0.2644116   0.54665858  0.91885412
      0.32364029  0.10533201  0.6941312   0.95124549  0.77731627  0.70488501
      0.63933069  0.64133698  0.34779307  0.85844809  0.60094941  0.2280845
      0.9715808   0.90514243  0.37492487  0.63143545  0.32448494  0.87860829
      0.60888034  0.0536992   0.87272596  0.2757256   0.52294028  0.44402313
      0.65318012  0.51203662  0.58079946  0.02674621  0.88491195  0.53675622
      0.14286731  0.14372869  0.40336677  0.59653842  0.88745058  0.68862557
      0.42571071  0.26180086  0.72788739  0.60717767  0.5829736   0.87680519
      0.45300043  0.85390121  0.59883171  0.25868875  0.57738042  0.96802121
      0.002104    0.63230199  0.12704033  0.43771467  0.02793019  0.19138411
      0.65149647  0.70921648  0.31550848  0.16242157  0.84410089  0.49122787
      0.11707108  0.18496205  0.45668516  0.09403677]

3、构造静态图模型

# 使用tf自带的Variable函数，用于随机生成一个权重值
    # tf.random_uniform()函数第一个参数为shape,后面的参数为随机数的范围, 随机生成(-1, 1)的一个数
    Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
    
    # 生成偏置量，这里置为0
    biases = tf.Variable(tf.zeros(1))
    
    # 使用初始化的权重和参数获取预测的y值，即为一次正向传播
    y = Weights * x_data + biases
    
    # 定义损失函数，并且获取损失函数的得分loss
    loss = tf.reduce_mean(tf.square(y - y_data))
    
    #定义优化函数，这里使用的是梯度下降方法， 参数即为学习率（learing rate）,这里给的0.5
    optimizer = tf.train.GradientDescentOptimizer(0.5)
    
    # 训练，即使用优化函数使得我们的损失得分尽可能最小
    train = optimizer.minimize(loss)
    
    #这一句非常重要，主要用于初始化前面所有用Variable函数定义的变量，这里面为Weights和biases
    #部分教程中使用的函数为`initialize_all_variables`但是这个函数已经在tf1.3中标记为过时函数了
    init = tf.global_variables_initializer()

4、获取tf的session对象并且执行静态图模型

# 获取session对象
    sess = tf.Session()
    # 使用run初始化变量
    sess.run(init)
    # 训练200次，并且每逢20的倍数都打印当前计算出来的权重和偏值
    for step in range(201):
        sess.run(train)
        if step % 20 == 0:
            print(step, sess.run(Weights), sess.run(biases))

5、运行结果示例

0 [ 0.59929496] [ 0.02857201]
    20 [ 0.23587528] [ 0.22533756]
    40 [ 0.13706814] [ 0.27963135]
    60 [ 0.11011258] [ 0.29444322]
    80 [ 0.1027588] [ 0.29848409]
    100 [ 0.10075264] [ 0.29958645]
    120 [ 0.10020533] [ 0.29988718]
    140 [ 0.10005601] [ 0.29996923]
    160 [ 0.1000153] [ 0.29999161]
    180 [ 0.10000417] [ 0.29999772]
    200 [ 0.10000113] [ 0.29999939]

这里可以看出我们计算出来的权重和偏值是趋近于我们预算设置好的0.1和0.3

[Anaconda-3]: https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/