python教程：Tensorflow基础（机器学习开源软件库）

程序员必备接口测试调试工具：立即使用
Apipost = Postman + Swagger + Mock + Jmeter
Api设计、调试、文档、自动化测试工具
后端、前端、测试，同时在线协作，内容实时同步

说明：本文实例使用Python版本为3.5.6，Tensorflow版本为2.0

介绍

Tensorflow是Google推出的机器学习开源神器，对Python有着良好的语言支持，支持CPU，GPU和Google TPU等硬件，并且已经拥有了各种各样的模型和算法。目前，Tensorflow已被广泛应用于文本处理，语音识别和图像识别等多项机器学习和深度学习领域。

基础框架

分为三层：应用层、接口层和核心层

推荐：《python教程》

应用层

提供了机器学习相关的训练库、预测库和针对Python、C++和Java等变成语言的编程环境，类似于web系统的前端，主要实现了对计算图的构造。

接口层

对Tensorflow功能模块的封装，便于其它语言平台的调用。

核心层

最重要的部分，包括设备层、网络层、数据操作层和图计算层，执行应用层的计算。

1.设备层

包括Tensorflow在不同硬件设备上的实现，主要支持CPU、GPU和Mobile等设备，在不同硬件设备上实现计算命令的转换，给上层提供统一的接口，实现程序的跨平台功能。

2.网络层

网络层主要包括RPC和RDMA通信协议，实现不同设备之间的数据传输和更新，这些协议都会在分布式计算中用到。

3.数据操作层

以tensor为处理对象，实现tensor的各种操作和计算。

4.图计算层

包括分布式计算图和本地计算图的实现，实现图的创建、编译、优化和执行等。

设计理念

可以将Tensorflow理解为一张计算图中“张量的流动”，其中，Tensor（张量）代表了计算图中的边，Flow(流动)代表了计算图中节点所做的操作而形成的数据流动。

其设计理念是以数据流为核心，当构建相应的机器学习模型后，使用训练数据在模型中进行数据流动，同时将结果以反向传播的方式反馈给模型中的参数，以进行调参，使用调整后的参数对训练数据再次进行迭代计算。

编程特点

有两个编程特点：

图的定义和图的运行完全分开

在tensorflow中，需要预先定义各种变量，建立相关的数据流图，在数据流图中创建各种变量之间的计算关系，完成图的定义，需要把运算的输入数据放进去后，才会形成输出值。

图的计算在会话中执行

tensorflow的相关计算在图中进行定义，而图的具体运行坏境在会话(session)中，开启会话后，才能开始计算，关闭会话就不能再进行计算了。

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()

可以看出，在图创建后，并在会话中执行数据计算，最终输出结果。

设计的好处就是：学习的过程中，消耗最多的是对数据的训练，这样设计的话，当进行计算时，图已经确定，计算就只剩下一个不断迭代的过程。

基本概念

Tensor

张量，是tensorflow中最主要的数据结构，张量用于在计算图中进行数据传递，创建了张量后，需要将其赋值给一个变量或占位符，之后才会将该张量添加到计算图中。

session

会话，是Tensorflow中计算图的具体执行者，与图进行实际的交互。一个会话中可以有多个图，会话的主要目的是将训练数据添加到图中进行计算，也可以修改图的结构。

调用模式推荐使用with语句：

with session:
    session.run()
Variable

变量，表示图中的各个计算参数，通过调整这些变量的状态来优化机器学习算法。创建变量应使用tf.Variable()，通过输入一个张量，返回一个变量，变量声明后需进行初始化才能使用。

举例说明：

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，用于表示输入输出数据的格式，声明了数据位置，允许传入指定类型和形状的数据，通过会话中的feed_dict参数获取数据，在计算图运行时使用获取的数据进行计算，计算完毕后获取的数据就会消失。

举例说明：

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，输入输出都是Tensor，作用是完成各种操作，包括：

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 ...

检查点：save, restore ...

队列和同步：enqueue, dequeue, mutexacquire, mutexrelease ...

张量控制：merge, switch, enter, leave ...

Queue

队列，图中有状态的节点。包含入列（endqueue）和出列（dequeue）两个操作，入列返回计算图中的一个操作节点，出列返回一个tensor值。

其中，队列有两种：

1. FIFOQueue

按入列顺序出列的队列，在需要读入的训练样本有序时使用。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

以随机顺序出列的队列，读入的训练样本无序时使用。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，欢迎学习！

以上就是Tensorflow基础（机器学习开源软件库）的详细内容，更多请关注zzsucai.com其它相关文章！