tensorflow电子书下载 tensorflow教程pdf

转载

mob64ca13f9e726 2024-02-17 09:10:52

文章标签 tensorflow电子书下载 tensorflow 深度学习神经网络 python 文章分类 机器学习人工智能

导入Tensorflow框架

在安装好tensorflow库之后，使用如下命令导入

import tensorflow as tf # tf作为别名使用

Tensorflow编写程序的过程

定义tensorflow常量

C = tf.constant(N,name='C') # N为一个常量的值

定义tensorflow变量/张量

f = tf.Variable(f(x,y),name='f') # 可以用来定义变量，也可以定义简单的函数

初始化变量

由于tf.Variable类型的变量在创建时是没有初始化的，因此，在使用到tf.Variable、tf.get_Variable的场合，必须全局初始化变量。

init = tf.global_variables_initializer() 
# 这仅仅是定义一个语句init，并没有执行

执行语句

tensorflow定义的语句都是静态的，执行语句需要依靠tf.Session

with tf.Session() as session:
	session.run(init)

Tensorflow特色

设计/动工特色

[In]

a = tf.constant(2)
b = tf.constant(10)
c = tf.multiply(a,b)
print(c)

[Out]

Tensor("Mul:0", shape=(), dtype=int32)

上述代码中，打印c的值并没有输出a与b的乘积，而是输出了张量(Tensor) c 的属性值：shape为空，数据类型为int32. 这说明这些代码仅仅是一个设计过程，并没有实际执行。执行代码如下：

[In]

sess = tf.Session()
print(sess.run(c))

[Out]

由此可见，tensorflow使用的基本流程是：

创建变量和操作，然后对变量进行初始化，然后创建session，最后用session来执行所有操作。

placeholder占位符

占位符仅占着位置，位置里面的内容是空的，后续可以根据需求来填充不同的东西。就像刚刚建好的大厦，里面的一个个空房间就是占位符，我们可以在空房间里放置需要的东西。
tensorflow使用feed_dict语法来给占位符填充内容

x = tf.placeholder(tf.int64, name = 'x')
print(sess.run(2 * x, feed_dict = {x: 3}))
sess.close()

上述代码中，先是创建了一个名为x的占位符，类型为tf.int64，然后用sess.run执行时，使用feed_dict将3填充到x里，所以最后输出的是2*3=6

计算图

当我们创建变量和操作时，仅仅是在tensorflow里面构建了一个计算图，计算图里面可以有占位符。这些都只是设计而已，并没有实际的数值也没有被执行。直到创建了session后，就可以用session.run来执行前面设计好的计算图了，在执行计算图时可以往计算图里的占位符中填充内容。同一个计算图，在每次run时，即在每次被执行时都可以往占位符中填充不同的数值。就像一座大厦，可以往房间里面堆放书籍，也可以把书籍搬出来将里面堆放电脑。

创建session的两种方式

方法一

sess = tf.Session()
result = sess.run(..., feed_dict = {...})
sess.close()

方法二

with tf.Session() as sess: 
    result = sess.run(..., feed_dict = {...})

使用Tensorflow来构建常用函数

线性函数

下面将实现人工智能领域中著名的线性函数: Y=WX+b，其中用到的操作有矩阵相加操作tf.add(X,Y)，还有矩阵相乘操作tf.matmul(X,Y)。

def linear_function():   
    
    np.random.seed(1)
 
    X = tf.constant(np.random.randn(3, 1), name = "X") 
    # 定义一个维度是(3, 1)的常量，randn函数会生成随机数
    W = tf.constant(np.random.randn(4, 3), name = "W")
    b = tf.constant(np.random.randn(4, 1), name = "b")
    Y = tf.add(tf.matmul(W, X), b)# tf.matmul函数会执行矩阵运算
    
    # 创建session，然后用run来执行上面定义的操作
    sess = tf.Session()
    result = sess.run(Y)
    sess.close()

    return result

非线性函数

下面将实现著名的非线性函数sigmoid。其实，tensorflow框架已经帮我们实现了这些函数了，我们只需要学会使用它们就可以了。下面将用placeholder来使用tensorflow中的sigmoid函数。

def sigmoid(z):
    x = tf.placeholder(tf.float32, name="x") 
    # 定义一个类型为float32的占位符
    
    sigmoid = tf.sigmoid(x) 
    # 调用tensorflow的sigmoid函数，并且将占位符作为参数传递进去
    
    with tf.Session() as sess: # 创建一个session
        # 用run来执行上面定义的sigmoid操作。
        # 执行时将外面传入的z填充到占位符x中，也就相当于把z作为参数传入了tensorflow的sigmoid函数中了。
        result = sess.run(sigmoid, feed_dict = {x: z}) 
    
    return result

Cost函数

cost函数也是人工智能领域的一个重要部分。像sigmoid一样，tensorflow也已经帮我们定义好了各种著名的cost函数。

tensorflow电子书下载 tensorflow教程pdf_tensorflow电子书下载

我们可以用tensorflow函数来一次性实现sigmoid和上面的cost函数，上面的cost函数也叫做cross_entropy函数:

tf.nn.sigmoid_cross_entropy_with_logits(logits = ...,  labels = ...)

logits参数：最后一层神经元输出的z
labels参数：真实标签y
上面的代码一次性实现了将最后一层神经元的输出z传入sigmoid激活函数，再计算cross_entropy损失函数

def cost(z_in, y_in):    
    
    z = tf.placeholder(tf.float32, name="z") # 创建占位符
    y = tf.placeholder(tf.float32, name="y")
    
    # 使用sigmoid_cross_entropy_with_logits来构建cost操作。
    cost = tf.nn.sigmoid_cross_entropy_with_logits(logits=z, labels=y)
    
    # 创建session
    sess = tf.Session()
    
    # 将传入的z_in和y_in填充到占位符中，然后执行cost操作
    cost = sess.run(cost, feed_dict={z: z_in, y: y_in})

    sess.close()
    
    return cost

One Hot编码

应用场景：多分类问题
编码转换原理图例：

tensorflow电子书下载 tensorflow教程pdf_tensorflow_02

右边的向量就叫做one hot向量，因为向量中只有一个元素是1，其它的都是0。例如，最后一个元素是1就表示类型3。在之前我们实现纯python编程时，如果要实现上面的转换，我们需要写好几行代码，改用tensorflow框架的话，只需要一行代码:

tf.one_hot(indices, depth, axis)
# indices表示真实标签，depth表示的是类别数量，axis规定了输出向量方向

实例：

def one_hot_matrix(labels, C_in):
    """
    labels就是真实标签y向量；
    C_in就是类别的数量
    """
  
    # 创建一个名为C的tensorflow常量，把它的值设为C_in
    C = tf.constant(C_in, name='C')
    
    # 使用one_hot函数构建转换操作，将这个操作命名为one_hot_matrix。
    one_hot_matrix = tf.one_hot(indices=labels, depth=C, axis=0)
    
    sess = tf.Session()
    
    # 执行one_hot_matrix操作
    one_hot = sess.run(one_hot_matrix)
  
    sess.close()
    
    return one_hot

初始化0和1

两个tensorflow常用函数，tf.ones()和tf.zeros()。将维度信息传入到这两个函数中，它们就会返回填充好1或0的数组。

def ones(shape):
    
    # 将维度信息传入tf.ones中
    ones = tf.ones(shape)
    
    sess = tf.Session()
    
    # 执行ones操作
    ones = sess.run(ones)
    
    sess.close()
    
    return ones

随机初始化

用tensorflow内置的xavier_initializer函数来进行权重w的随机初始化

W1 = tf.get_variable("W1", [25, 12288], initializer = tf.contrib.layers.xavier_initializer(seed=1))

用tensorflow内置的zeros_initializer函数将偏置值b1初始化为0

b1 = tf.get_variable("b1", [25, 1], initializer = tf.zeros_initializer())

重置全局默认图形

用于清除默认图形堆栈并重置全局默认图形，使用tf时必须执行，否则图形栈会溢出。

tf.reset_default_graph()

tf转置矩阵操作

labels = tf.transpose(Y)

计算张量的平均值

cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=labels))

反向传播optimizer

标准的梯度下降反向传播

optimizer = tf.train.GradientDescentOptimizer(learning_rate = learning_rate).minimize(cost)

Adam优化的反向传播

optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)

官方博客	全部文章	热门标签	班级博客
了解我们	网站地图	意见反馈

鸿蒙开发者社区	51CTO学堂
51CTO	软考资讯