Tensorflow基础_精品文档优质PPT.pptx

1、TensorFlow 1.0 运行速度变得更加快更灵活TensorFlow 1.0 还加入了一些高级API，包括 tf.layers，tf.metrics 和 tf.losses 模块。以及加入了一些类似scikit-learn的estimator机制0.12版本之后支持的可视化能够可视化的看见程序图的结构Tensorflow的安装Linux/ubuntuMac开启GPU支持（不推荐）如果您的系统没有NVIDIAGPU，请构建并安装CPU版本Ubuntu:安装CUDA和cuDNNMac:安装CUDA和cuDNNTensorflow初体验通过案例来了解分析Tensorflow的整个结构加法运算T

2、ensorflow加法运算数据流图：Tensorflow计算密集型 vs IO密集型Tensorflow与以往接触的不同Tensorflow进阶1、图2、会话3、张量4、变量5、模型保存和加载6、自定义命令行参数图图默认已经注册，一组表示 tf.Operation计算单位的对象和tf.Tensor表示操作之间流动的数据单元的对象获取调用：1.tf.get_default_graph（）2.op、sess或者tensor 的graph属性哪些是op图的创建tf.Graph（）使用新创建的图g=tf.Graph（）with g.as_default（）:a=tf.constant（1.0）asse

3、rt c.graph is g会话tf.Session（）运行TensorFlow操作图的类，使用默认注册的图（可以指定运行图）会话资源会话可能拥有很多资源，如 tf.Variable，tf.QueueBase和tf.ReaderBase，会话结束后需要进行资源释放1.sess=tf.Session（）sess.run（.）sess.close（）2.使用上下文管理器with tf.Session（）as sess:sess.run（.）config=tf.ConfigProto（log_device_placement=True）交互式：tf.InteractiveSession（）会话的r

4、un（）方法run（fetches,feed_dict=None,graph=None）运行ops和计算tensor嵌套列表，元组，namedtuple，dict或OrderedDict（重载的运算符也能运行）feed_dict 允许调用者覆盖图中指定张量的值,提供给placeholder使用返回值异常RuntimeError：如果它Session处于无效状态（例如已关闭）。TypeError：如果fetches或feed_dict键是不合适的类型。ValueError：如果fetches或feed_dict键无效或引用 Tensor不存在。Tensorflow Feed操作意义：在程序执行的

5、时候,不确定输入的是什么，提前“占个坑”语法：placeholder提供占位符，run时候通过feed_dict指定参数张量1、张量的阶和数据类型2、张量操作关闭警告import osos.environTF_CPP_MIN_LOG_LEVEL=2张量的阶和数据类型Tensorflow基本的数据格式一个类型化的N维度数组（tf.Tensor）三部分，名字，形状，数据类型张量的阶张量的数据类型张量属性graph 张量所属的默认图op张量的操作名name张量的字符串描述shape张量形状张量的动态形状与静态形状TensorFlow中，张量具有静态形状和动态形状静态形状：创建一个张量或者由操作推导出

6、一个张量时,初始状态的形状tf.Tensor.get_shape:获取静态形状tf.Tensor.set_shape（）:更新Tensor对象的静态形状，通常用于在不能直接推断的情况下动态形状：一种描述原始张量在执行过程中的一种形状tf.reshape:创建一个具有不同动态形状的新张量1、转换静态形状的时候，1-D到1-D，2-D到2-D，不能跨阶数改变形状2、对于已经固定或者设置静态形状的张量变量，不能再次设置静态形状3、tf.reshape（）动态创建新张量时，元素个数不能不匹配要点张量操作-生成张量为什么需要正态分布的变量值？正态分布概率密度函数为正态分布的期望值决定了其位置，其标准差决

7、定了分布的幅度。当=0,=1时的正态分布是标准正态分布。张量操作-张量变换切片与扩展tf.concat（values,axis,name=concat）https:/www.tensorflow.org/versions/r1.0/api_guides/python/math_ops提供给Tensor运算的数学函数算术运算符基本数学函数矩阵运算减少维度的运算（求均值）序列运算注：这些都是在1.0版本下的函数，不同版本会有些差异变量1、变量的创建2、变量的初始化3、变量的作用域变量变量也是一种OP，是一种特殊的张量，能够进行存储持久化，它的值就是张量变量的创建tf.Variable（initia

8、l_value=None,name=None）创建一个带值initial_value的新变量assign（value）为变量分配一个新值返回新值eval（session=None）计算并返回此变量的值name属性表示变量名字变量的初始化tf.global_variables_initializer（）添加一个初始化所有变量的op在会话中开启可视化学习可视化学习Tensorboard数据序列化-events文件TensorBoard 通过读取 TensorFlow 的事件文件来运行tf.summary.FileWriter（/tmp/tensorflow/summary/test/,graph=

9、default_graph）返回filewriter,写入事件文件到指定目录（最好用绝对路径），以提供给tensorboard使用开启tensorboard -logdir=/tmp/tensorflow/summary/test/一般浏览器打开为127.0.0.1:6006注：修改程序后，再保存一遍会有新的事件文件，打开默认为最新图中的符号意义增加变量显示1、收集变量tf.summary.scalar（name=,tensor）收集对于损失函数和准确率等单值变量,name为变量的名字，tensor为值tf.summary.histogram（name=,tensor）收集高维度的变量参数tf

10、.summary.image（name=,tensor）收集输入的图片张量能显示图片2、合并变量写入事件文件merged=tf.summary.merge_all（）运行合并：summary=sess.run（merged），每次迭代都需运行添加：FileWriter.add_summary（summary,i）,i表示第几次的值目的：观察模型的参数、损失值等变量值的变化tensorflow实现一个简单的线性回归案例简单的API介绍线性回归实现结果演示动画演示Tensorflow运算API矩阵运算tf.matmul（x,w）平方tf.square（error）均值tf.reduce_mean（

11、error）tf.train.GradientDescentOptimizer（learning_rate）梯度下降优化learning_rate:学习率，一般为method:return:梯度下降op梯度下降APITensorboard观察图结构,变量显示作用域想一想之前函数里面，一个变量的作用域？tensorflow变量作用域tf.variable_scope（）创建指定名字的变量作用域观察变量的name改变？嵌套使用变量作用域观察变量的name改变？如果在之前，给变量取相同的name会出现什么样的情况？tensorflow变量作用域的作用让模型代码更加清晰，作用分明模型保存和加载tf.t

12、rain.Saver（var_list=None,max_to_keep=5）var_list:指定将要保存和还原的变量。它可以作为一个dict或一个列表传递.max_to_keep：指示要保留的最近检查点文件的最大数量。创建新文件时，会删除较旧的文件。如果无或0，则保留所有检查点文件。默认为5（即保留最新的5个检查点文件。）例如：saver.save（sess,/tmp/ckpt/test/model）saver.restore（sess,/tmp/ckpt/test/model）保存文件格式：checkpoint文件自定义命令行参数1、2、tf.app.flags.,在在flags有一个有一个FLAGS标志，它在程序中可以调用到我们标志，它在程序中可以调用到我们前面具体定义的前面具体定义的flag_name3、通过、通过tf.app.run（）启动启动main（argv）函数函数Thankyou!