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

大家好，欢迎来到IT知识分享网。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

+ - [版本4：加载之前训练好的模型](#4_637) + [8.自定义命令行参数](#8_709) 

一、环境配置

1.Anaconda以及Tensorflow的安装

1.anaconda以及Tensorflow的安装：
Tensorflow入门（1）——深度学习框架Tesnsflow入门 &amp； 环境配置 &amp； 认识Tensorflow(1)
2.Anaconda详细安装及使用教程：
Tensorflow入门（1）——深度学习框架Tesnsflow入门 &amp； 环境配置 &amp； 认识Tensorflow(1)
3.windows平台下，TensorFlow的安装、卸载以及遇到的各种错误：
Tensorflow入门（1）——深度学习框架Tesnsflow入门 &amp； 环境配置 &amp； 认识Tensorflow(1)

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/

3.测试是否成功

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)) 

1.图 Graph()

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) 

2.会话 Session()

• 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

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

（2）数据类型

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

import tensorflow as tf 去除警告 import os os.environ["TF\_CPP\_MIN\_LOG\_LEVEL"]="2" #tensorflow中的形状： # 0维:() 1维：(5) 2维：(5,6) 3维：（2，3，4）2张3行4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

（2）张量变换

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

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

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？

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

6.事件文件与可视化

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

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 

1.在保存的事件文件所在的文件中输入 cmd

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

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

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 （100，1） 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 （100，1） 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 ![img](https://img-blog.csdnimg.cn/img_convert/be43dc9315e5a1f72c096d6b79d5df0f.png) ![img](https://img-blog.csdnimg.cn/img_convert/cabffa6091e0914e398e87.png) ![img](https://img-blog.csdnimg.cn/img_convert/0bedb96b3bb8deccf3f36bde.png) 既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上软件测试知识点，真正体系化！ 由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新 [需要这份系统化的资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/) :return:None ''' with tf.variable\_scope("data"): # 1.准备数据，x 特征值 （100，1） 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 [外链图片转存中...(img-WVviJTcQ-78)] [外链图片转存中...(img-97xyQaLY-79)] [外链图片转存中...(img-voGL21Lo-79)] 既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上软件测试知识点，真正体系化！ 由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新 [需要这份系统化的资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/)