Google TensorFlow 机器学习框架介绍和使用-唐朝资源网

这是什么？

是用于数字计算 ( ) 的开源第二代软件库。它是一个基于数据流图的处理框架。图中的节点代表数学运算（），边代表运算节点之间的数据交互。从字面上看，它有两种含义。一是表示节点之间传递的数据，通常这个数据是多维矩阵（data）或者一维向量；第二层意思是Flow，指的是数据，直观的理解是数据以流的形式进入数据操作图的各个节点。

是一个非常灵活的框架，可以在 PC 或服务器甚至移动设备上的单个或多个 CPU 和 GPU 上运行。该系统最初由 Brain 团队开发，用于研究机器学习和深度神经网络，后来发现该系统足够通用，可以支持更广泛的应用。至于谷歌为何开源框架，其回应如下：

“太好了，为什么要打开而不是保留呢？比你想象的要多：我们是和的关键。在这方面速度很快，但缺乏工具。在什么我们要成为最好的之一，我们希望在一个开放的想法中。一定要使用 user-and 和我们的组来配合我们的许多 .”

特点

1. 灵活（Deep）不仅可以用于神经网络算法研究，也可以用于普通机器学习算法，甚至只要你会计算就可以表示为数据流图，并且可以使用。 2.便携（真）这个工具可以部署在个人PC上，单CPU，多CPU，单GPU，多GPU，单机多GPU，多机多CPU，多机多-GPU、手机等，几乎涵盖各种场景的计算设备。 3. 研究和产品之间的桥梁（）在谷歌，研究科学家可以用它来研究新的算法，产品团队可以用它来训练实际的产品模型，更重要的是，更容易将研究成果转化为实践产品另外，白皮书说几乎所有产品都用到了，比如搜索排序、语音识别、、自然语言处理等。4.Auto- (Auto-) 机器学习中的很多算法都用到了渐变。当你使用它们时，它会自动为你计算梯度。只要定义目标函数并添加数据就可以了。这听起来很诱人，但我不知道如何实现它。 5. 语言灵活性 ( ) 是用 C++ 实现的，然后进行封装。暂时只支持这两种语言。呼吁社区开发更多的语言界面，以通过 SWIG 支持它。 6. 性能最大化（）通过对线程、队列和异步计算（一流）的支持，可以运行在各种硬件上，同时根据计算的需要，将操作合理分配到相应的设备，例如卷积分配给GPU。安装请参考这个链接：源代码可以从这个链接下载：安装很简单，不用试GPU：

# Ubuntu/Linux 64-bit

$ sudo apt-get install python-pip python-dev

# Mac OS X

$ sudo easy_install pip

：

# Ubuntu/Linux 64-bit, CPU only:

$ sudo pip install --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.6.0-cp27-none-linux_x86_64.whl

# Ubuntu/Linux 64-bit, GPU enabled:

$ sudo pip install --upgrade https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.6.0-cp27-none-linux_x86_64.whl

@ >

# Mac OS X, CPU only:

$ sudo easy_install --upgrade six

$ sudo pip install --upgrade https://storage.googleapis.com/tensorflow/mac/tensorflow-0.6.0-py2-none-any.whl

安装完成后，输入以下命令检查是否安装成功。

$ python

...

>>> import tensorflow as tf

>>> hello = tf.constant('Hello, TensorFlow!')

>>> sess = tf.Session()

>>> print(sess.run(hello))

Hello, TensorFlow!

>>> a = tf.constant(10)

>>> b = tf.constant(32)

>>> print(sess.run(a + b))

>>>

	如果报无法获取CPU信息错误，可以在上述代码中，修改添加如下几行：

NUM_CORES = 4 # Choose how many cores to use.
sess = tf.Session(
   config=tf.ConfigProto(inter_op_parallelism_threads=NUM_CORES,
                  intra_op_parallelism_threads=NUM_CORES))

基本用法

使用前，有必要了解以下概念：

1.计算以图表的形式表示。

2. 是执行的入口点，类似于.

3.数据用.表示。

4.用于表示可变状态，例如模型参数。

5.使用来自计算节点的提要以及输入和输出数据。

计算框架要求所有的计算都用图表示，图中的节点称为操作ops（简称）。一个运算可以得到零个或多个，经过计算，它可以产生零个或多个。一种是多维数组。例如，一批图像数据可以表示为一个4维浮点数组[batch, , width, ]

计算图是通过提交的，一个操作决定了graph是时候去哪个设备计算，比如是选择CPU还是CPU。 op 操作的结果是 C 中的 numpy.array 对象和 C 和 C++ 中的 :: 实例。

构建计算图

构造图的第一步是构造操作op。操作不必有输入。您可以使用协商来构造一个操作节点，然后将其结果输出到另一个正在操作的节点。下面是使用生成一个简单的操作，并基于它构建一个计算图。

作为 tf

# 创建一个 1X2 矩阵

= tf.([[3., 3.]])

# 创建一个 2X1 矩阵

= tf.([[2.],[2.]])

#创建求和的乘积运算，返回矩阵

= tf.(, )

上图包含三个运算，两个()运算，一个矩阵乘法运算()。要获得最终矩阵乘积的结果，您需要使用提交此图。

提交计算图

#创建一个对象

sess = tf.()

#通过中间的run()方法提交计算图

= sess.run()

打印（）

# ==> [[ 12.]]

#运行后关闭这个

sess.close()

运行完成后，需要手动关闭。当然，你也可以使用“with”关键字在运行后自动关闭。

使用 tf.() 作为 sess：

= sess.run([])

打印（）

在分布式运行环境中，一般不需要手动指明哪些操作应该放在哪台机器上，比如CPU和GPU，但是框架提供了手动设置的功能。

使用 tf.() 作为 sess：

.(“/gpu:1”):

= tf.([[3. , 3.]])

= tf.([[2.],[2.]])

= tf.(, )

…

目前支持以下设备：

·”/cpu:0″: 你的CPU。

·”/gpu:0″: 你的 GPU，如果你有的话。

·”/gpu:1″: 你的GPU等

交互格式使用

通过创建对象提供类似的机制。

# 输入一个 .

作为 tf

sess = tf.()

x = tf.([1.@ >0, 2.0])

a = tf.([3.0, 3.0])

# ‘x ‘ 使用 op 的 run()。

x..run()

# 从 ‘x’ 向 ‘a’ 添加一个操作。运行它并打印

sub = tf.sub(x, a)

打印(sub.eval())

# ==> [-2. -1.]

# 完成后关闭。

sess.close()

变量()

变量维护着整个执行图中间的状态，比如里面的计数器就是一个变量。具体在机器学习任务中，当我们训练一个深度神经网络时，每一层的节点权重都是用来表示的，在训练过程中，权重会不断更新。请参阅以下示例：

# a ，这将是值 0.

state = tf.(0,name=””)

# 一个向 `state` 添加一个的 Op。

one = tf.(1)

= tf.add(state, one)

= tf.(状态, )

# 必须在 `init` Op 之后

# 图表。我们首先必须将 `init` Op 添加到 .

= tf.bles()

# 图表并运行操作。

使用 tf.() 作为 sess：

#’init’操作

sess.run()

#’state’的值

打印(sess.run(state))

# 操作那个 ‘state’ 并打印 ‘state’。

对于_in range(3):

sess.run()

打印(sess.run(state))

#：

()是赋值操作，真正的执行是在run()执行时开始。

数据获取()

要获取一个op的运算结果，可以调用run()方法，可以同时获取多个结果。只执行一次运行请求即可获得所有结果。

=tf. (3.0)

= tf.(2.0)

= tf.(5.0)

= tf.add(, )

mul = tf.mul(, )

使用 tf.() 作为 sess：

= sess.run([mul, ])

打印（）

#：

# [array([ 21.], dtype=), array([ 7.],dtype=)]

数据输入（Feed）

使用之前介绍的数据输入，直接输入一个明确的常量数据，并提供一个“()”方法来表示一个数据，然后调用run，通过参数传入批量输入的数据输入后，具体可以获得数据。具体例子可以如下：

# 创建两个输入和，然后这两个数据中没有任何内容。

# 可以理解为两个输入变量的声明。

= tf.(tf.)

= tf.mul(, )

使用 tf.() 作为 sess：

打印(sess.run([], ={:[7.], :[2.]}))

#：

# [数组([ 14.], dtype=)]

具体的输入是。

本站下载的源码均来自公开网络收集转发二次开发而来，若侵犯了您的合法权益，请来信通知我们1413333033@qq.com，我们会及时删除，给您带来的不便，我们深表歉意。下载用户仅供学习交流，若使用商业用途，请购买正版授权，否则产生的一切后果将由下载用户自行承担，访问及下载者下载默认同意本站声明的免责申明，请合理使用切勿商用。

THE END