TensorFlow

TensorFlow

TensorFlow 这是一个由谷歌发布的机器学习和深度学习库，谷歌已在多个方面使用该库来提升用户体验。例如，当您开始搜索时，谷歌会自动补全您的搜索词。.

机器学习主要面向三类人群：1. 研究人员；2. 数据科学家；3. 程序员。为了满足这些人的需求，谷歌大脑团队开发了 TensorFlow 库。TensorFlow 可以在不同的 CPU 和 GPU 上运行，并支持多种编程语言，例如 C++、Python 和 Java。TensorFlow 既可以部署在服务器上，也可以部署在移动设备上。.

TensorFlow 的发展历程

随着数据量的增加，深度学习开始超越深度学习算法，谷歌得出结论，它可以利用这些深度神经网络来增强其服务，并开始构建一个名为 TensorFlow 的框架，该框架可以帮助开发人员和研究人员同时协作开发 AI 模型。.

当该项目发展到足够完善且具有可扩展性后，于 2015 年公开发布。然而，稳定版本直到 2017 年才发布。.

TensorFlow 的重要特性在于它是开源的，并采用 Apache 许可，因此您可以轻松地使用它、编辑它并发布您自己的发行版。您甚至可以从中获利，而无需向 Google 付费。 .

TensorFlow架构

TensorFlow 架构包含三个部分：1. 数据预处理；2. 模型构建；3. 模型训练和评估。之所以这样命名，是因为 TensorFlow 接收多维数组作为输入，这些数组的名称是 张量 然后，您可以对数据运行一系列操作图，这些操作图是： 流程图 是的。.

演出地点在哪里？

使用此库分为两个阶段：

开发阶段： 训练模型需要一定的时间，这个阶段通常是在你的笔记本电脑或系统上完成的。.

实施阶段： 训练完成后，你可以在任何地方运行你的模型，从台式机到服务器，甚至手机。.

因此，模型的训练和运行可以在不同的机器上进行。.

除了使用 CPU，你还可以在 GPU 上运行 TensorFlow。.

在矩阵计算中，由于对大量信息执行相同的运算，因此这种类型的计算与 GPU 的结构兼容，这是斯坦福大学的研究人员在 2010 年末发现的。.

另一点是，这个库是用 C++ 编写的，所以速度非常快。当然，你也可以把它和其他语言一起使用，例如 Python。.

TensorFlow 的一个重要特性是 TensorBoard，它可以让您看到 TensorFlow 正在做什么。.

TensorFlow 组件

张量

张量是由N维矩阵组成的数组，可以表示各种类型的信息。张量中的每个值都包含相同形状的信息。.

张量既可以作为计算的输入，也可以作为计算的输出。.

图形

在TensorFlow中，所有操作都在一个图中执行。每个图都是一系列按顺序执行的计算的集合。每个计算被称为一个操作节点（op节点），它们彼此相连。.

那么，为什么要用到图表呢？

• 可在不同的系统上运行。
• 该图表可以保存以备后用。
• 图中的所有计算都是通过将张量连接起来完成的。.
• 简而言之，在图中，每条边都是一个值（张量），每个节点都是一个运算符（例如加法）。.

TensorFlow为何如此出名？

TensorFlow之所以是最佳选择，是因为它面向所有用户，并提供可用于不同规模的深度学习架构（例如RNN、CNN）的API。由于它基于图计算，因此能够在TensorBoard中可视化神经网络，这对于调试非常有用。总而言之，TensorFlow在部署过程中就考虑到了可扩展性。.

好消息是，它在 GitHub 上拥有各种深度学习框架中最大的社区。.

TensorFlow 支持多少种算法？

• 线性回归：tf.estimator.LinearRegressor
• 分类：tf.estimator.LinearClassifier
• 深度分类：tf.estimator.DNNClassifier
• 深度学习擦除和深度：tf.estimator.DNNLinearCombinedClassifier
• BoostedTreesRegressor：tf.estimator.BoostedTreesRegressor
• 提升树分类：tf.estimator.BoostedTreesClassifier

几个简单的例子

1. 12导入 numpy 库并将其命名为 np
2. 导入 tensorflow as tf

以上两行代码导入了 numpy 和 tensorflow 库。.

在这个例子中，我们要计算 X_1 和 X_2 的乘积。首先，我们需要创建计算图，然后运行 TensorFlow 会话来计算结果。.

我们开始吧。

步骤 1：定义变量

第一步是创建输入节点 X_1、X_2。在 TensorFlow 中，我们需要指定要创建的节点类型，这里我们选择占位符类型。.

占位符：

这种类型每次执行计算时都会为张量分配一个新值。.

1. X_1 = tf.placeholder(tf.float32, name = “X_1”)
2. X_2 = tf.placeholder(tf.float32, name = “X_2”)

如您所见，我们将此节点的类型输入为浮点数，并将其名称输入为变量名。.

步骤 2：定义计算

1. 1multiply = tf.multiply(X_1, X_2, name = “multiply”)

通过上面的代码，我们创建了一个顶点，它充当乘法运算符。

这就是我们要进行乘法运算的顶点的输入，我们将其命名为 multiply。

现在我们已经创建了第一个图表。.

步骤 3：执行操作

要执行此操作，我们需要创建一个会话。此会话使用 tf.Session() 创建，并在我们使用 run 时执行。.

当我们要进行乘法运算时，需要将张量 x1 和 x2 的值作为输入。这可以通过赋值 feed_dict 来实现。在本例中，x1 被赋值为 1 到 3，x2 被赋值为 4 到 6。然后我们打印结果。.

1. X_1 = tf.placeholder(tf.float32, name = “X_1”)
2. X_2 = tf.placeholder(tf.float32, name = “X_2”)

1. 1multiply = tf.multiply(X_1, X_2, name = “multiply”)

1. 使用 tf.Session() 作为 session：
2. result = session.run(multiply, feed_dict={X_1:[1,2,3], X_2:[4,5,6]})
3. 打印(结果)

1. [ 4. 10. 18.]

将数据导入 TensorFlow 的不同方法

训练模型之前的首要步骤之一是导入数据，导入数据有两种模式：

1. 将数据输入 RAM：有一种简单的方法可以将数据输入内存数组，例如，通过编写一行 Python 代码。.
2. 使用 TensorFlow 数据管道：TensorFlow 提供了一系列 API，可以帮助您接收数据、对其执行一系列操作，然后将其提供给您的算法。这种方法非常有效，尤其是在数据量非常大的情况下。例如，图像通常非常大，无法全部加载到内存中。这时，数据管道可以帮您管理内存。.

现在的问题是该用哪一个。

如果您的数据小于 10 GB，您可以轻松使用第一种方法，例如，pandas 就是一个著名的数据处理库。否则，例如，如果您有 30 GB 的数据，而您的内存只有 12 GB，那么您自然无法使用此方法，而应该使用 Pipeline API。Pipeline 会对数据进行分批处理，并将每个批次的数据输入到 Pipeline 中，用于训练模型。使用 Pipeline 可以让您使用并行处理。这意味着 TensorFlow 可以同时在多个不同的 CPU 上训练模型。.

简而言之，如果数据量较小，可以将其完全加载到内存中，例如使用 pandas。否则，或者如果您想使用多个 CPU，请使用 TensorFlow 流水线。.

在 TensorFlow 中创建管道

步骤 1）创建数据

我们使用 numpy 库生成两个随机数。

1. 123导入 numpy 库并将其命名为 np
2. x_input = np.random.sample((1,2))
3. print(x_input)

1. 1[[0.8835775 0.23766977]]

步骤 2）创建占位符

在此步骤中，我们创建一个名为 X 的占位符，它是一个包含两个浮点类型成员的数组。

1.  使用占位符 #
2. x = tf.placeholder(tf.float32, shape=[1,2], name = 'X')

步骤 3：创建数据集

此时，我们需要定义一个数据集，我们将把占位符值 x 放入其中。.

1. 1tf.data.Dataset.from_tensor_slices
2. 1dataset = tf.data.Dataset.from_tensor_slices(x)

第四步：构建管道

在这一步中，我们需要初始化管道。第一步是创建一个迭代器来遍历数据。使用 `get_next` 方法可以获取下一个值。在本例中，有一个批次只有两个值。.

1. 12iterator = dataset.make_initializable_iterator()
2. get_next = iterator.get_next()

步骤 5：运行计算

最后一步，我们运行一个会话，其输入是一个迭代器和由 numpy 创建的输入值，并打印每个迭代器的值。.

1. 使用 tf.Session() 作为 session：
2. # 将数据提供给占位符
   
3. sess.run(iterator.initializer, feed_dict={ x: x_input })
   
4. print(sess.run(get_next))

1. 1[0.8835775 0.23766978]

概括

TensorFlow 是最著名的深度学习库，可用于构建任何深度学习框架。Google Brain 开发此项目旨在弥合研究团队和开发团队之间的鸿沟，Google 几乎在其所有项目中都使用它。使用 TensorFlow 的主要原因之一是其部署时的可扩展性。TensorFlow 可用于从高性能服务器到 Android 和 iOS 手机的各种应用场景。.

TensorFlow 在会话中运行，每个会话都由一个包含不同计算的图定义。.

以 TensorFlow 中的乘法为例，简单来说如下：

1. 变量定义

1. X_1 = tf.placeholder(tf.float32, name = “X_1”)
   
2. X_2 = tf.placeholder(tf.float32, name = “X_2”)

2. 计算的定义

1. 1multiply = tf.multiply(X_1, X_2, name = “multiply”)

3. 操作执行

1. 使用 tf.Session() 作为 session：
   
2. result = session.run(multiply, feed_dict={X_1:[1,2,3], X_2:[4,5,6]})
   
3. 打印(结果)

在 TensorFlow 中，一种常见的做法是创建一个管道将数据加载到 RAM 中，这可以通过以下步骤完成：

1. 数据创建

1. 导入 numpy 库并将其命名为 np
   
2. x_input = np.random.sample((1,2))
   
3. print(x_input)

2. 创建占位符

1. 1x = tf.placeholder(tf.float32, shape=[1,2], name = 'X')

3. 数据集方法定义

1. 1dataset = tf.data.Dataset.from_tensor_slices(x)

4. 管道建设

1. 1iterator = dataset.make_initializable_iterator() get_next = iterator.get_next()

5. 程序执行

1. 使用 tf.Session() 作为 session：
   
2. sess.run(iterator.initializer, feed_dict={ x: x_input })
   
3. print(sess.run(get_next))

立即获取 TensorFlow