Tensorflow基础（机器学习开源软件库）-Python教程

阐明：本文实例应用Python版本为3.5.6，Tensorflow版本为2.0

引见

Tensorflow是Google推出的机械学习开源神器，对Python有着精良的言语支持，支持CPU，GPU以及Google TPU等硬件，而且曾经领有了各类百般的模子以及算法。今朝，Tensorflow已被宽泛使用于文本解决，语音辨认以及图象辨认等多项机械学习以及深度学习畛域。

根底框架

分为三层：使用层、接口层以及外围层

保举：《python教程》

使用层

提供了机械学习相干的训练库、预测库以及针对Python、C++以及Java等变为言语的编程环境，相似于web零碎的前端，次要完成了对较量争论图的结构。

接口层

对Tensorflow性能模块的封装，便于其它言语平台的挪用。

外围层

最首要的局部，包罗设施层、网络层、数据操作层以及图较量争论层，执行使用层的较量争论。

1.设施层

包罗Tensorflow正在没有同硬件设施上的完成，次要支持CPU、GPU以及Mobile等设施，正在没有同硬件设施上完成较量争论饬令的转换，给下层提供对立的接口，完成顺序的跨平台性能。

2.网络层

网络层次要包罗RPC以及RDMA通讯协定，完成没有同设施之间的数据传输以及更新，这些协定城市正在散布式较量争论顶用到。

3.数据操作层

以tensor为解决工具，完成tensor的各类操作以及较量争论。

4.图较量争论层

包罗散布式较量争论图以及内陆较量争论图的完成，完成图的创立、编译、优化以及执行等。

设计理念

能够将Tensorflow了解为一张较量争论图中“张量的活动”，此中，Tensor（张量）代表了较量争论图中的边，Flow(活动)代表了较量争论图中节点所做的操作而构成的数据活动。

其设计理念是以数据流为外围，当构建相应的机械学习模子后，应用训练数据正在模子中进行数据活动，同时将后果以反向流传的形式反馈给模子中的参数，以进行调参，应用调整后的参数对训练数据再次进行迭代较量争论。

编程特性

有两个编程特性：

图的界说以及图的运转齐全离开

正在tensorflow中，需求事后界说各类变量，建设相干的数据流图，正在数据流图中创立各类变量之间的较量争论关系，实现图的界说，需求把运算的输出数据放出来后，才会构成输入值。

图的较量争论正在会话中执行

tensorflow的相干较量争论正在图中进行界说，而图的详细运转坏境正在会话(session)中，开启会话后，能力开端较量争论，封闭会话就不克不及再进行较量争论了。

举个例子：

import tensorflow as tf
tf.compat.v1.disable_eager_execution()
a = 3
b = 4
c = 5
y = tf.add(a*b, c)
print(y)
a = tf.constant(3, tf.int32)
b = tf.constant(4, tf.int32)
c = tf.constant(5, tf.int32)
y = tf.add(a*b, c)
print(y)
session = tf.compat.v1.Session()
print(session.run(y))
session.close()

能够看出，正在图创立后，并正在会话中执行数据较量争论，终极输入后果。

设计的益处就是：学习的进程中，耗费最多的是对数据的训练，这样设计的话，当进行较量争论时，图曾经确定，较量争论就只剩下一个一直迭代的进程。

根本概念

Tensor

张量，是tensorflow中最次要的数据构造，张量用于正在较量争论图中进行数据通报，创立了张量后，需求将其赋值给一个变量或占位符，之后才会将该张量增加到较量争论图中。

session

会话，是Tensorflow入彀算图的详细执行者，与图进行实际的交互。一个会话中能够有多个图，会话的次要目的是将训练数据增加到图中进行较量争论，也能够修正图的构造。

挪用模式保举应用with语句：

with session:
    session.run()
Variable

变量，示意图中的各个较量争论参数，经过调整这些变量的状态来优化机械学习算法。创立变量应应用tf.Variable()，经过输出一个张量，前往一个变量，变量申明后需进行初始化能力应用。

举例阐明：

import tensorflow as tf
tf.compat.v1.disable_eager_execution()
tensor = tf.ones([1, 3])
test_var = tf.Variable(tensor)
# 初始化变量
init_op = tf.compat.v1.global_variables_initializer()
session = tf.compat.v1.Session()
with session:
    print("tensor is ", session.run(tensor))
    # print("test_var is ", session.run(test_var))
    session.run(init_op)
    print("after init, test_var is", session.run(test_var))

Placeholder

占位符，用于示意输出输入数据的格局，申明了数据地位，容许传入指定类型以及形态的数据，经过会话中的feed_dict参数猎取数据，正在较量争论图运转时应用猎取的数据进行较量争论，较量争论终了后猎取的数据就会隐没。

举例阐明：

x = tf.compat.v1.placeholder(tf.int32)
y = tf.compat.v1.placeholder(tf.int32)
z = tf.add(x, y)
session = tf.compat.v1.Session()
with session:
    print(session.run([z], feed_dict={x: [1, 2], y: [2, 3]}))

Operation

操作，是图中的节点，输出输入都是Tensor，作用是实现各类操作，包罗：

数学运算：add, sub, mul, div, exp ...

数组运算：concat, slice, split, rank ...

矩阵运算：matmul, matrixinverse ...

神经网络构建：softmax, sigmoid, relu ...

反省点：save, restore ...

行列步队以及同步：enqueue, dequeue, mutexacquire, mutexrelease ...

张量管制：merge, switch, enter, leave ...

Queue

行列步队，图中有状态的节点。蕴含出列（endqueue）以及入列（dequeue）两个操作，出列前往较量争论图中的一个操作节点，入列前往一个tensor值。

此中，行列步队有两种：

1. FIFOQueue

按出列程序入列的行列步队，正在需求读入的训练样本有序时应用。举个例子：

fifo_queue = tf.compat.v1.FIFOQueue(10, 'int32')
init = fifo_queue.enqueue_many(([1, 2, 3, 4, 5, 6], ))
with tf.compat.v1.Session() as session:
    session.run(init)
    queue_size = session.run(fifo_queue.size())
    for item in range(queue_size):
        print('fifo_queue', session.run(fifo_queue.dequeue()))

2. RandomShuffleQueue

以随机程序入列的行列步队，读入的训练样本无序时应用。举个例子：

rs_queue = tf.compat.v1.RandomShuffleQueue(capacity=5, min_after_dequeue=0, dtypes='int32')
init = rs_queue.enqueue_many(([1, 2, 3, 4, 5], ))
with tf.compat.v1.Session() as session:
    session.run(init)
    queue_size = session.run(rs_queue.size())
    for i in range(queue_size):
        print('rs_queue', session.run(rs_queue.dequeue()))

本文来自 python教程 栏目，欢送学习！

以上就是Tensorflow根底（机械学习开源软件库）的具体内容，更多请存眷资源魔其它相干文章！