tensorflow的准确率 tensorflow?

Tensorflow

什么是Tensorflow

为什么使用Tensorflow

Tensorflow安装

• 1. 准备工作
• 2. 正式安装

• 2.1 安装Cuda

• 函数讲解
• 案例分析

什么是Tensorflow

TensorFlow是Google开发的一款神经网络的Python外部的结构包, 也是一个采用数据流图来进行数值计算的开源软件库.TensorFlow 让我们可以先绘制计算结构图, 也可以称是一系列可人机交互的计算操作, 然后把编辑好的Python文件 转换成 更高效的C++, 并在后端进行计算。

为什么使用Tensorflow

TensorFlow 无可厚非地能被认定为 神经网络中最好用的库之一. 它擅长的任务就是训练深度神经网络.通过使用TensorFlow我们就可以快速的入门神经网络, 大大降低了深度学习（也就是深度神经网络）的开发成本和开发难度. TensorFlow 的开源性, 让所有人都能使用并且维护, 巩固它. 使它能迅速更新, 提升。

Tensorflow安装

1. 准备工作

• 卸载之前安装过的Tensorflow

在开始安装前，如果你的电脑装过tensorflow，请先把他们卸载干净，包括依赖的包（tensorflow-estimator、tensorboard、tensorflow、keras-applications、keras-preprocessing），不然后续安装了tensorflow-gpu可能会出现找不到cuda的问题。

2. 正式安装

2.1 安装Cuda

1.首先查看本机GPU对应的cuda版本，如下图所示，本机cuda版本为11.5，后面选择的cuda版本不要超过这里的版本就好。

2.检查完cuda之后，进入https://developer.nvidia.com/cuda-toolkit-archive该网站选择相应的cudatoolkit版本下载（tensorflow-gpu用到cudatoolkit，没必要把整个cuda都下载下来），如图所示，本机选择下载的版本为10.1，这里选择版本一定要注意，因为cuda版本会决定你下载的cudnn和tensorflow-gpu版本，若不一致，会出现版本不匹配等问题，无法使用，详细情况下面阐述。

安装方式1

安装方式2

不要开代理！！！

函数讲解

1. tf.truncated_normal
2. tf.Variable()
3. tf.nn.conv2d（）
4. tf.nn.max_pool
5. tf.placeholder
6. tf.nn.relu
7. tf.matmul(a,b)
8. tf.nn.dropout
9. tf.nn.softmax

import tensorflow.compat.v1 as tf

案例分析

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets("MNIST_data",one_hot=True)

# 每个批次的大小
batch_size = 100
# 计算一共有多少个批次
n_batch = mnist.train.num_examples // batch_size

# 初始化权值
def weight_variable(shape):
    # 生成一个截断的正态分布
    initial = tf.truncated_normal(shape, stddev=0.1)
    return tf.Variable(initial)

# 初始化偏置
def bias_variable(shape):
    initial = tf.constant(0.1, shape=shape)
    return tf.Variable(initial)
 

# 卷积层
def conv2d(x,W):
    # x input tensor of shape [batch, in_height, in_width, in_channels]
    # W filter / kernel tensor of shape [filter_height, filter_width, in_channels, out_channels]
    # in_channels代表输入通道数,out_channels代表输出方向数
    # strides[0] = strides[1] = 0
    # strides[1]代表x方向步长, strides[2]代表y方向步长
    # Padding: "SAME'和"VALID'
    # 'SAME'在外面补零
    return tf.nn.conv2d(x, W, strides=[1,1,1,1], padding = 'SAME')
 
 
# 池化层
def max_pool_2x2(x):
    # ksize [1,x,y,1]
    return tf.nn.max_pool(x, ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
 

# 定义两个占位符
x = tf.placeholder(tf.float32,[None,28*28])
y = tf.placeholder(tf.float32,[None,10])

 
# 改变x的值为4D向量[batch_size,in_height,in_width,in_channels]
x_image = tf.reshape(x,[-1, 28, 28, 1])
 
# 初始化第一个卷积层的权值和偏置
W_conv1 = weight_variable([5,5,1,32]) # 5*5采样窗口，32个卷积核从1个平面提取数据
b_conv1 = bias_variable([32]) # 每个卷积核，一个偏置
 

# 把x_image和权值向量进行卷积，再加上偏置，然后应用于激活函数
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
# 进行池化操作
h_pool1 = max_pool_2x2(h_conv1)
 
# 初始化第二个卷积层的全值和偏置
W_conv2 = weight_variable([5,5,32,64])   # 5*5采样窗口，64个卷积核从32个平面抽取特征
b_conv2 = weight_variable([64]) # 每个卷积核，一个偏置
 
# 把h_pool1和权值向量进行卷积，再加上偏置，然后应用于激活函数
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
# 进行池化操作
h_pool2 = max_pool_2x2(h_conv2)
 
# 28*28的图片，第一次卷积还是28*28，第一池化变为14*14
# 第二次卷积还是14*14，第二次池化变为7*7
# 通过上面操作，得到64*7*7的平面
 
# 初始化第一个全连接层的权值
W_fcl = weight_variable([64*7*7,1024]) # 上一张有7*7*64的输入,1024个神经元
b_fcl = bias_variable([1024])
 
# 将池化后的图片扁平化为一维
h_pool2_flact = tf.reshape(h_pool2,[-1,7*7*64])
# 求第一个全连接层的输出
h_fcl = tf.nn.relu(tf.matmul(h_pool2_flact, W_fcl) + b_fcl)
 
# keep_prob 用来表示神经元的输出概率
keep_prob = tf.placeholder(tf.float32)
h_fcl_drop =tf.nn.dropout(h_fcl, keep_prob)
 
# 初始化第二个全连接层 1024个输入，10个输出
W_fc2 = weight_variable([1024,10])
b_fc2 = bias_variable([10])
 
# 计算输出
prediction = tf.nn.softmax(tf.matmul(h_fcl_drop,W_fc2) + b_fc2)
 
# 交叉熵代价函数
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction))
 
# 使用优化器进行优化
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(prediction,1), tf.argmax(y,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

 
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for epoch in range(21):
        for batch in range(n_batch):
            batch_xs,batch_ys = mnist.train.next_batch(batch_size)
            sess.run(train_step, feed_dict={x:batch_xs,y:batch_ys,keep_prob:0.7})
            if batch%100 ==0:
                print(str(batch)+"/"+str(n_batch))
        acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels,keep_prob:1.0})
        print("Iter " + str(epoch) +" Test Accuracy " + str(acc))