Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow

这篇具有很好参考价值的文章主要介绍了Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。


一、环境配置

1.Anaconda以及Tensorflow的安装

1.anaconda以及Tensorflow的安装:
https://blog.csdn.net/qq_33505204/article/details/81584257
2.Anaconda详细安装及使用教程:
https://blog.csdn.net/ITLearnHall/article/details/81708148
3.windows平台下,TensorFlow的安装、卸载以及遇到的各种错误:
https://blog.csdn.net/qq_27245699/article/details/81050035

Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow,python,深度学习,tensorflow,人工智能,神经网络,机器学习

2.CONDA环境安装

CONDA环境安装:
conda : data science package & environment manager
创建环境:conda create --name python3 python=3
切换环境:
windows :activate python3
linux/macos : source activate python3
官方地址: https://www.anaconda.com/download/

Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow,python,深度学习,tensorflow,人工智能,神经网络,机器学习

3.测试是否成功

Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow,python,深度学习,tensorflow,人工智能,神经网络,机器学习

import tensorflow as tf
hello=tf.constant('hello')
sess=tf.Session()
print(sess.run(hello))

from keras import backend
print(backend._BACKEND)

常用命令

显示环境 conda info --envs
进入环境 activate tensorflow
pip uninstall keras
pip uninstall keras-preprocessing -y
pip install keras

二、认识TensorFlow

tensor: 张量
operation:(op): 专⻔门运算的操作节点,所有操作都是⼀个op
图:graph:你的整个程序的结构
会话:运算程序的图

import tensorflow as tf
############ 去除警告
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
# 实现一个加法运算
a = tf.constant(5.0)
b = tf.constant(6.0)
sum1 = tf.add(a, b)

with tf.Session() as sess:
    print(sess.run(sum1))

Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow,python,深度学习,tensorflow,人工智能,神经网络,机器学习

1.图 Graph()

图默认已经注册,一组表示 tf.Operation计算单位的对象和tf.Tensor
表示操作之间流动的数据单元的对象

获取调用:

  • tf.get_default_graph()
  • op、sess或者tensor 的graph属性

创建图:

  • tf.Graph() :使用新创建的图
import tensorflow as tf
############ 去除警告
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
# 创建一张图,上下文环境
# 图包含了一组op和tensor
# op:只要使用tensorflow的API定义的函数都是OP
# tensor:就指代的是数据
g = tf.Graph()

print(g)
with g.as_default():
    c = tf.constant(11.0)
    print(c.graph)

# 实现一个加法运算
a = tf.constant(5.0)
b = tf.constant(6.0)
sum1 = tf.add(a, b)

# 默认的这张图,相当于是给程序分配一段内存
graph = tf.get_default_graph()
print(graph)
#只能运行一个图
with tf.Session() as sess:
    print(sess.run(sum1))
    print(a.graph)
    print(sum1.graph)

Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow,python,深度学习,tensorflow,人工智能,神经网络,机器学习

2.会话 Session()

Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow,python,深度学习,tensorflow,人工智能,神经网络,机器学习
Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow,python,深度学习,tensorflow,人工智能,神经网络,机器学习

• tf.Session()
运行TensorFlow操作图的类,使用默认注册的图(可以指定运行图)
• 会话资源
会话可能拥有很多资源,如 tf.Variable,tf.QueueBase
和tf.ReaderBase,会话结束后需要进行资源释放

  1. sess = tf.Session() sess.run(…) sess.close()
  2. 使用上下文管理器
    with tf.Session() as sess:
    sess.run(…)
    • config=tf.ConfigProto(log_device_placement=True)
    • 交互式:tf.InteractiveSession()
import tensorflow as tf
############ 去除警告
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
# 创建一张图,上下文环境
# 图包含了一组op和tensor
# op:只要使用tensorflow的API定义的函数都是OP
# tensor:就指代的是数据
# 实现一个加法运算
a = tf.constant(5.0)
b = tf.constant(6.0)
sum1 = tf.add(a, b)

# 默认的这张图,相当于是给程序分配一段内存
graph = tf.get_default_graph()
print(graph)
# 看出程序在哪里运行
# 只要有上下文环境,就可以方便使用eval()
with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:
    print(sess.run(sum1))
    print(sum1.eval())
    print(a.graph)
    print(sum1.graph)

会话的run()方法

Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow,python,深度学习,tensorflow,人工智能,神经网络,机器学习

import tensorflow as tf
############ 去除警告
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
# 创建一张图,上下文环境# 图包含了一组op和tensor
# op:只要使用tensorflow的API定义的函数都是OP# tensor:就指代的是数据

# 实现一个加法运算
a = tf.constant(5.0)
b = tf.constant(6.0)
sum1 = tf.add(a, b)
var1=3
## 有重载的机制,默认会给运算符重载成op类型
sum2 = a + var1
print(sum2)
# 训练模型
# 实时的提供数据去进行训练
# placeholder是一个占位符,feed_dict一个字典
plt = tf.placeholder(tf.float32, [2, 3])
plt2=tf.placeholder(tf.float32,[None,3])
print(plt)
# 只要有上下文环境,就可以方便使用eval()# 看出程序在哪里运行
with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:
    print(sess.run([a,b,sum1,sum2]))
    print(sess.run(plt,feed_dict={plt:[[1, 2, 3], [4, 5, 36]]}))
    print(sess.run(plt2, feed_dict={plt2: [[1, 2, 3], [4, 5, 36],[3,4,6]]}))
    print(sum1.eval())#输出结果
    print(a.graph)
    print(sum1.graph)

Tensorflow Feed操作
意义:在程序执行的时候,不确定输入的是什么,提前“占个坑”
语法:placeholder提供占位符,run时候通过feed_dict指定参数

3.张量 Tensor

要点:
• Tensorflow基本的数据格式
• 一个类型化的N维度数组(tf.Tensor)
• 三部分,名字,形状,数据类型

(1)张量的形状

Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow,python,深度学习,tensorflow,人工智能,神经网络,机器学习

(2)数据类型

Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow,python,深度学习,tensorflow,人工智能,神经网络,机器学习

张量属性:
• graph 张量所属的默认图
• op 张量的操作名
• name 张量的字符串描述
• shape 张量形状

with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:
    print(sess.run([a,b,sum1,sum2]))
    print(sess.run(plt,feed_dict={plt:[[1, 2, 3], [4, 5, 36]]}))
    print(sess.run(plt2, feed_dict={plt2: [[1, 2, 3], [4, 5, 36],[3,4,6]]}))
    print(sum1.eval())#输出结果
    print(a.graph)
    print(a.shape)
    print(a.name)
    print(a.op)

张量的动态形状与静态形状

Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow,python,深度学习,tensorflow,人工智能,神经网络,机器学习

import tensorflow as tf
############ 去除警告
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
#tensorflow中的形状:
# 0:()   1维:(5)   2维:(5,6)  3维:(234234列的表
# 形状的概念
# 静态形状和动态性状
# 对于静态形状来说,一旦张量形状固定了,不能再次设置静态形状, 不能夸维度修改 1D->1D 2D->2D
# 动态形状可以去创建一个新的张量,改变时候一定要注意元素数量要匹配  1D->2D  1->3D

plt=tf.placeholder(tf.float32,[None,2])
print(plt)
plt.set_shape([3,2])
print(plt)

plt_reshape=tf.reshape(plt,[2,3])
print(plt_reshape)
with tf.Session() as sess:
    pass

1、转换静态形状的时候,1-D到1-D,2-D到2-D,不能跨阶数改变形状
2、对于已经固定或者设置静态形状的张量/变量,不能再次设置静态形状
3、tf.reshape()动态创建新张量时,元素个数不能不匹配

4.张量操作

(1)生成张量

Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow,python,深度学习,tensorflow,人工智能,神经网络,机器学习
Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow,python,深度学习,tensorflow,人工智能,神经网络,机器学习
Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow,python,深度学习,tensorflow,人工智能,神经网络,机器学习

(2)张量变换

Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow,python,深度学习,tensorflow,人工智能,神经网络,机器学习
Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow,python,深度学习,tensorflow,人工智能,神经网络,机器学习
切片与扩展
tf.concat(values, axis, name=‘concat’)

• 算术运算符
• 基本数学函数
• 矩阵运算
• 减少维度的运算(求均值)
• 序列运算

5.变量OP——模型参数

• 变量也是一种OP,是一种特殊的张量,能够进行存储持久化,它的值就是张量

Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow,python,深度学习,tensorflow,人工智能,神经网络,机器学习
变量的初始化

tf.global_variables_initializer() 添加一个初始化所有变量的op,在会话中开启

import tensorflow as tf
############ 去除警告
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
a=tf.constant([1,2,3,4])
var = tf.Variable(tf.random_normal([2,3],mean=0,stddev=1.0))
print(a,var)
#必须做一个显示的初始化
init_op=tf.global_variables_initializer()
with tf.Session() as sess:
    #必须运行初始化op
    sess.run(init_op)
    print(sess.run([a,var]))
    pass
# 变量op
# 1、变量op能够持久化保存,普通张量op是不行的
# 2、当定义一个变量op的时候,一定要在会话当中去运行初始化
# 3、name参数:在tensorboard使用的时候显示名字,可以让相同op名字的进行区分


作用域——使得代码图清晰

Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow,python,深度学习,tensorflow,人工智能,神经网络,机器学习

tf.variable_scope(<scope_name>)
创建指定名字的变量作用域
观察变量的name改变?

嵌套使用变量作用域
观察变量的name改变?

tensorflow变量作用域的作用:
• 让模型代码更加清晰,作用分明

增加变量显示——观察变化

1.收集变量
       tf.summary.scalar( name =” ”, tensor )
       收集对于损失函数和准确率等单值变量,name为变量名字,tensor为值
       tf.summary.histogram( name =” ”, tensor )
       收集高纬度的变量参数
       tf.summary.image( name =” ”, tensor )
       收集输入的图片,张量能显示图片
2.合并变量,写入事件文件
       merged = tf.summary.merge_all( )
       运行合并:summary = sess.run( merged ) 每次迭代都需要运行
       添加: filewriter.add_summary(summary,i) i表示第几次的值

目的:
观察模型的参数,损失等变量值的变化

6.事件文件与可视化

Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow,python,深度学习,tensorflow,人工智能,神经网络,机器学习
Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow,python,深度学习,tensorflow,人工智能,神经网络,机器学习

数据序列化-events文件
TensorBoard 通过读取 TensorFlow 的事件文件来运行

tf.summary.FileWriter(‘/tmp/tensorflow/summary/test/’, graph=default_graph)
返回filewriter,写入事件文件到指定目录(最好用绝对路径),以提供给tensorboard使用

开启
Tensorboard --logdir=”./tmp/tensorflow/summary/test/”
一般浏览器打开为127.0.0.1:6006

注:修改程序后,再保存一遍会有新的事件文件,打开默认为最新

Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow,python,深度学习,tensorflow,人工智能,神经网络,机器学习

import tensorflow as tf
############ 去除警告
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
a=tf.constant([1,2,3,4])
var = tf.Variable(tf.random_normal([2,3],mean=0,stddev=1.0))
print(a,var)
#必须做一个显示的初始化
init_op=tf.global_variables_initializer()
with tf.Session() as sess:
    #必须运行初始化op
    sess.run(init_op)
    # 把程序的图结构写入事件文件,graph:把指定的图写进事件文件当中
    filewriter=tf.summary.FileWriter('./py_tensflow/', graph=sess.graph)
    pass

Tensorboard --logdir=” F:/python/py_tensflow/”
文件路径 ,没有名字

1.在保存的事件文件所在的文件中输入 cmd

Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow,python,深度学习,tensorflow,人工智能,神经网络,机器学习
Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow,python,深度学习,tensorflow,人工智能,神经网络,机器学习

2.依次输输入

conda info --envs
activate tensorflow
Tensorboard --logdir=" F:/python/py_tensflow/"

3.火狐浏览器打开

历史记录中打开即可
http://DESKTOP-PJDM5BE:6006

Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow,python,深度学习,tensorflow,人工智能,神经网络,机器学习

案例:线性回归

Tensorflow运算API

矩阵运算
相乘 tf.matmul(x, w)
平方 tf.square(error)
均值 tf.reduce_mean(error)

梯度下降API
Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow,python,深度学习,tensorflow,人工智能,神经网络,机器学习

tf.train.GradientDescentOptimizer(learning_rate)
		梯度下降优化
		learning_rate:学习率,一般为
		method:
		return:梯度下降op

版本一:trainable参数


# trainable参数:指定这个变量能跟着梯度下降一起优化

import tensorflow as tf
############ 去除警告
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
def myregre():
    '''
    自定义一个线性回归
    :return:None
    '''
    # 1.准备数据,x 特征值 (1001) y 目标值(100)
    x=tf.random_normal([100,1],mean=1.75,stddev=0.5,name="x_data")

    # 矩阵相乘必须是二维的
    y_true=tf.matmul(x,[[0.7]])+0.8

    # 2.建立线性回归模型 1个权重,1个特征,1个偏置 y=x w + b
    # 随机给权重和偏置的,让他计算损失,然后在当前状态下优化
    # 用变量定义才能优化
    weight = tf.Variable(tf.random_normal([1,1],mean=0.0,stddev=1.0),name="w")
    bias = tf.Variable(0.0,name="b")

    y_predict=tf.matmul(x,weight)+bias

    # 建立损失函数,均方误差
    loss = tf.reduce_mean(tf.square(y_true-y_predict))

    # 4.梯度下降,优化损失 learning_rate 0~1,2,3,5,7
    train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
    # 定义一个初始化的 op
    init_op=tf.global_variables_initializer()

    # 通过会话运行程序
    with tf.Session() as sess:
        # 初始化变量
        sess.run(init_op)
        # 打印随机初始化的权重和偏置
        print("随机初始化的参数权重为: %f 偏置为: %f" % (weight.eval(),bias.eval()))
        # 循环训练 运行优化
        for i in range(200):
            sess.run(train_op)
            print("优化为: %f 偏置为: %f" % (weight.eval(), bias.eval()))
        pass
    return None

if __name__ == '__main__':
    myregre()

版本2:变量作用域

import tensorflow as tf
############ 去除警告
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
def myregre():
    '''
    自定义一个线性回归
    :return:None
    '''
    with tf.variable_scope("data"):
         # 1.准备数据,x 特征值 (1001) y 目标值(100)
         x=tf.random_normal([100,1],mean=1.75,stddev=0.5,name="x_data")
         # 矩阵相乘必须是二维的
         y_true=tf.matmul(x,[[0.7]])+0.8

    with tf.variable_scope("model"):
        # 2.建立线性回归模型 1个权重,1个特征,1个偏置 y=x w + b
        # 随机给权重和偏置的,让他计算损失,然后在当前状态下优化
        # 用变量定义才能优化
        weight = tf.Variable(tf.random_normal([1,1],mean=0.0,stddev=1.0),name="w")
        bias = tf.Variable(0.0,name="b")
        y_predict=tf.matmul(x,weight)+bias
        
    with tf.variable_scope("loss"):
        # 建立损失函数,均方误差
        loss = tf.reduce_mean(tf.square(y_true-y_predict))
    with tf.variable_scope("optimizer"):
        # 4.梯度下降,优化损失 learning_rate 0~1,2,3,5,7
        train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

    # 定义一个初始化的 op
    init_op=tf.global_variables_initializer()

    # 通过会话运行程序
    with tf.Session() as sess:
        # 初始化变量
        sess.run(init_op)
        # 打印随机初始化的权重和偏置
        print("随机初始化的参数权重为: %f 偏置为: %f" % (weight.eval(),bias.eval()))
        # 建立事件文件
        filewriter = tf.summary.FileWriter('F:/python/py_tensflow/', graph=sess.graph)

        # 循环训练 运行优化
        for i in range(200):
            sess.run(train_op)
            print("优化为: %f 偏置为: %f" % (weight.eval(), bias.eval()))
        pass
    return None
if __name__ == '__main__':
    myregre()

版本3:增加变量显示

import tensorflow as tf
############ 去除警告
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
def myregre():
    '''
    自定义一个线性回归
    :return:None
    '''
    with tf.variable_scope("data"):
         # 1.准备数据,x 特征值 (1001) y 目标值(100)
         x=tf.random_normal([100,1],mean=1.75,stddev=0.5,name="x_data")
         # 矩阵相乘必须是二维的
         y_true=tf.matmul(x,[[0.7]])+0.8

    with tf.variable_scope("model"):
        # 2.建立线性回归模型 1个权重,1个特征,1个偏置 y=x w + b
        # 随机给权重和偏置的,让他计算损失,然后在当前状态下优化
        # 用变量定义才能优化
        weight = tf.Variable(tf.random_normal([1,1],mean=0.0,stddev=1.0),name="w")
        bias = tf.Variable(0.0,name="b")
        y_predict=tf.matmul(x,weight)+bias

    with tf.variable_scope("loss"):
        # 建立损失函数,均方误差
        loss = tf.reduce_mean(tf.square(y_true-y_predict))
    with tf.variable_scope("optimizer"):
        # 4.梯度下降,优化损失 learning_rate 0~1,2,3,5,7
        train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

    # 1、收集tensor
    tf.summary.scalar("losses", loss)
    tf.summary.histogram("weights", weight)
    # 定义合并Tensor的op
    merged = tf.summary.merge_all()

    # 定义一个初始化的 op
    init_op=tf.global_variables_initializer()
    # 通过会话运行程序
    with tf.Session() as sess:
        # 初始化变量
        sess.run(init_op)
        # 打印随机初始化的权重和偏置
        print("随机初始化的参数权重为: %f 偏置为: %f" % (weight.eval(),bias.eval()))
        # 建立事件文件
        filewriter = tf.summary.FileWriter('F:/python/py_tensflow/', graph=sess.graph)

        # 循环训练 运行优化
        for i in range(200):
            sess.run(train_op)
            # 运行合并的tensor
            summary = sess.run(merged)
            filewriter.add_summary(summary,i)
            print("优化为: %f 偏置为: %f" % (weight.eval(), bias.eval()))
        pass
    return None

if __name__ == '__main__':
    myregre()

7.模型保存和加载

Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow,python,深度学习,tensorflow,人工智能,神经网络,机器学习

tf.train.Saver(var_list=None,max_to_keep=5)
  var_list:指定将要保存和还原的变量。它可以作为一个dict或一个列表传递.
  max_to_keep:指示要保留的最近检查点文件的最大数量。
  创建新文件时,会删除较旧的文件。如果无或0,则保留所有检查点文件。默认为5(即保留最新的5个检查点文件。)

例如:saver.save(sess, ‘/tmp/ckpt/test/model’) 路径+名字
  saver.restore(sess, ‘/tmp/ckpt/test/model’)
保存文件格式:checkpoint文件

版本4:加载之前训练好的模型

import tensorflow as tf
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
def myregre():
    '''
    自定义一个线性回归
    :return:None
    '''
    with tf.variable_scope("data"):
         # 1.准备数据,x 特征值 (1001) y 目标值(100)
         x=tf.random_normal([100,1],mean=1.75,stddev=0.5,name="x_data")
         # 矩阵相乘必须是二维的
         y_true=tf.matmul(x,[[0.7]])+0.8

    with tf.variable_scope("model"):
        # 2.建立线性回归模型 1个权重,1个特征,1个偏置 y=x w + b
        # 随机给权重和偏置的,让他计算损失,然后在当前状态下优化
        # 用变量定义才能优化
        weight = tf.Variable(tf.random_normal([1,1],mean=0.0,stddev=1.0),name="w")
        bias = tf.Variable(0.0,name="b")
        y_predict=tf.matmul(x,weight)+bias

    with tf.variable_scope("loss"):
        # 建立损失函数,均方误差
        loss = tf.reduce_mean(tf.square(y_true-y_predict))
    with tf.variable_scope("optimizer"):
        # 4.梯度下降,优化损失 learning_rate 0~1,2,3,5,7
        train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

    # 1、收集tensor
    tf.summary.scalar("losses", loss)
    tf.summary.histogram("weights", weight)
    # 定义合并Tensor的op
    merged = tf.summary.merge_all()
    
    # 定义一个初始化的 op
    init_op=tf.global_variables_initializer()

    # 定义一个保存模型的实例
    saver = tf.train.Saver()

    # 通过会话运行程序
        # 通过会话运行程序
    with tf.Session() as sess:
        # 初始化变量
        sess.run(init_op)
        # 打印随机初始化的权重和偏置
        print("随机初始化的参数权重为: %f 偏置为: %f" % (weight.eval(),bias.eval()))
        # 建立事件文件
        filewriter = tf.summary.FileWriter('F:/python/py_tensflow/', graph=sess.graph)
        # 加载模型 ,覆盖模型当中随机定义的参数,从上次训练的参数结果开始
        if os.path.exists("./py_tensflow/check_file/checkpoint"):
             saver.restore(sess,"F:\python\py_tensflow\check_file\model1")
        # 循环训练 运行优化
        for i in range(200):
            sess.run(train_op)
            # 运行合并的tensor
            summary = sess.run(merged)
            filewriter.add_summary(summary,i)

            print("优化为: %f 偏置为: %f" % (weight.eval(), bias.eval()))
        saver.save(sess,"F:\python\py_tensflow\check_file\model1")
    return None

if __name__ == '__main__':
    myregre()

8.自定义命令行参数

Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow,python,深度学习,tensorflow,人工智能,神经网络,机器学习

Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow,python,深度学习,tensorflow,人工智能,神经网络,机器学习
2、 tf.app.flags.,在flags有一个FLAGS标志,它在程序中可以调用到我们
前面具体定义的flag_name
3、通过tf.app.run()启动main(argv)函数

# 定义命令行参数
# 1、首先定义有哪些参数需要在运行时候指定
# 2、程序当中获取定义命令行参数

# 第一个参数:名字,默认值,说明
tf.app.flags.DEFINE_integer("max_step", 100, "模型训练的步数")
tf.app.flags.DEFINE_string("model_dir", " ", "模型文件的加载的路径")

# 定义获取命令行参数名字
FLAGS = tf.app.flags.FLAGS


# 循环训练 运行优化
for i in range(FLAGS.max_step):
    sess.run(train_op)
    # 运行合并的tensor
    summary = sess.run(merged)
    filewriter.add_summary(summary, i)
    print("第%d次优化的参数权重为:%f, 偏置为:%f" % (i, weight.eval(), bias.eval()))

saver.save(sess, FLAGS.model_dir)

Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow,python,深度学习,tensorflow,人工智能,神经网络,机器学习文章来源地址https://www.toymoban.com/news/detail-524029.html

到了这里,关于Tensorflow入门(1)——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 从零开始配置深度学习环境:CUDA+Anaconda+Pytorch+TensorFlow

    本文适用于电脑有GPU(显卡)的同学,没有的话直接安装cpu版是简单的。CUDA是系统调用GPU所必须的,所以教程从安装CUDA开始。 可以配合视频教程食用:https://www.bilibili.com/video/BV12m4y1m7pq/?vd_source=06e4e8652ea90d79dadb7a59ff8acd36 CUDA是加速深度学习计算的工具,诞生于NVIDIA公司,是一

    2023年04月14日
    浏览(61)
  • vscode连接远程服务器 + Tensorflow2环境配置 + 深度学习训练

    参考:vscode连接远程服务器(傻瓜式教学) 配置服务器pytorch/TensorFlow环境+远程连接vscode 在远程服务器安装anoconda并创建tensorflow-gpu环境并运行jupyter 【vscode连接远程服务器】 step 1:测试服务器连接 win+R 进入 cmd,在命令行输入以下命令,并根据提示输入密码 step 2:安装 ssh 插

    2024年02月08日
    浏览(62)
  • 深度学习框架教程:介绍一些流行的深度学习框架 (如TensorFlow、PyTorch等)

    目录 一、引言 二、TensorFlow 三、Keras 四、PyTorch 五、技巧与最佳实践

    2024年02月02日
    浏览(42)
  • 深度学习基础之《TensorFlow框架(6)—张量》

    一、张量 1、什么是张量 张量Tensor和ndarray是有联系的,当我们print()打印值的时候,它返回的就是ndarray对象 TensorFlow的张量就是一个n维数组,类型为tf.Tensor。Tensor具有以下两个重要的属性: (1)type:数据类型 (2)shape:形状(阶) 2、张量的类型 张量,在计算机当中如何存

    2024年02月21日
    浏览(34)
  • 深度学习基础之《TensorFlow框架(2)—图》

    一、什么是图结构 1、图包含了一组tf.Operation代表的计算单元对象和tf.Tensor代表的计算单元之间流动的数据 图结构:数据(Tensor) + 操作(Operation) 二、图相关操作 1、默认图 通常TensorFlow会默认帮我们创建一张图 查看默认图的两种方法: (1)通过调用tf.compat.v1.get_default_graph()访

    2024年02月20日
    浏览(34)
  • 深度学习基础之《TensorFlow框架(14)—TFRecords》

    一、什么是TFRecords文件 1、TFRecords其实是一种二进制文件,虽然它不如其他格式好理解,但是它能更好的利用内存,更方便复制和移动,并且不需要单独的标签文件 2、使用步骤 (1)获取数据 (2)将数据填入到Example协议内存块(protocol buffer) (3)将协议内存块序列化为字

    2024年04月26日
    浏览(39)
  • 深度学习框架TensorFlow和PyTorch的选取

    大家好,当涉及到深度学习框架时,TensorFlow和PyTorch是最受欢迎的两个选择。它们都是功能强大的开源库,使开发人员和研究人员能够构建和训练用于各种应用的神经网络。本文将探讨TensorFlow和PyTorch之间的主要区别,帮助你做出明智的决策。 首先简要介绍一下这两个框架:

    2024年04月27日
    浏览(35)
  • 深度学习基础之《TensorFlow框架(4)—Operation》

    一、常见的OP 1、举例 类型 实例 标量运算 add,sub,mul,div,exp,log,greater,less,equal 向量运算 concat,slice,splot,canstant,rank,shape,shuffle 矩阵运算 matmul,matrixinverse,matrixdateminant 带状态的运算 variable,assgin,assginadd 神经网络组件 softmax,sigmoid,relu,convolution,max_pool 存

    2024年02月20日
    浏览(41)
  • 深度学习基础之《TensorFlow框架(3)—TensorBoard》

    一、TensorBoard可视化学习 1、TensorFlow有一个亮点就是,我们能看到自己写的程序的可视化效果,这个功能就是TensorBoard 2、TensorFlow可用于训练大规模深度神经网络所需的计算,使用该工具涉及的计算往往复杂而深奥。为了方便TensorFlow程序的理解、调试和优化,TensorFlow提供了

    2024年02月21日
    浏览(37)
  • TensorFlow是由Google开发的开源深度学习框架

    TensorFlow是由Google开发的开源深度学习框架。它提供了一种灵活而高效的方式来构建和训练神经网络模型。 TensorFlow的基本概念包括: Tensor:TensorFlow中的核心数据结构,表示多维数组。可以是标量、向量、矩阵或更高维度的张量。 图(Graph):TensorFlow使用图来表示计算任务。

    2024年01月16日
    浏览(48)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包