人工智能-深度学习（2）TensorFlow安装及基本使用（学习笔记）

2022-02-16一、 简介

它是一个开源的人工智能学习系统。为什么叫这个名字？

表示张量，代表N维数组；Flow表示流，表示基于数据流图的计算。

N维数从流程图的一端流到另一端的过程，就是人工智能神经网络分析处理的过程。

据说占领了移动端后就开源了，希望能占领AI端。

TF 的特点是可以支持多种设备，从 GPU 和 CPU 到小型平板电脑和手机，都可以运行 TF。

而且TF使用起来非常方便，几行代码就可以开始运行模型，这让神经网络上手非常简单。

二、 的安装

由于精力有限，这里只介绍平台上的安装，其他平台的安装方法还有很多。

我安装的方法是最简单粗暴的方法：

1.官网下载64位

（注意你自己的版本）

安装过程中要注意的一件事是勾选下图中的两个选项，其他默认即可：

2.安装成功后打开，切换到功能栏，可以看到很多工具包，搜索，勾选，然后点击应用安装。

三、的基本操作

在接触神经网络之前，我们先搞清楚基本运算，即加减乘除。

首先，有几个概念需要澄清：

如果您将每个图表视为一台车床，那么本次会议就是一个研讨会，其中有几台车床用于将数据生成结果。

图像的隐喻是：将会话视为车间，将图形视为车床，以原材料为原料，变量为容器，进料和取料为铲子，数据处理成我们的结果。

创建和运行图表

让我们创建一个图表并在其中执行它。不要担心不理解它。每一句代码都会被注释。只要你有编程基础，都可以：

#引入TensorFlow包
import tensorflow as tf
#创建一个常量v1，它是1*2的矩阵
v1=tf.constant([[2,3]])

#创建一个常量v2,它是2*1的矩阵
v2=tf.constant([[2],[3]])
#创建一个矩阵乘法，这里要注意的是，创建了乘法后，是不会立即执行的，要在会话中执行才行
product=tf.matmul(v1,v2)
#打印，得到的不是乘法的结果，而是得到乘法本身
print(product)
#定义一个会话
sess=tf.Session()
#运行乘法，得到结果
result=sess.run(product)
#打印结果
print(result)

#关闭会话
sess.close()

以上是最简单的矩阵乘法。

创建变量并使用for循环为变量赋值

#创建一个变量num
num = tf.Variable(0,name = "count")
#创建一个加法操作，把当前的数字加10
new_value = tf.add(num,10)
#创建一个赋值操作，将new_value的值赋值给num
op = tf.assign(num,new_value)
#使用这种写法，在运行完毕以后，会话自动关闭
with tf.Session() as sess:
    #初始化变量

    sess.run(tf.global_variables_initializer())
    #打印num的初始值
    print(sess.run(num))
    #创建一个for循环，每次给num+10，并打印出来
    for i in range(5):
        sess.run(op)
        print(sess.run(num))

可以看出，除了创建变量要麻烦一点，必须建立才能运行，其他操作基本和普通一样。

通过 Feed 设置的值

有时候，我们在声明变量的时候不赋值，只在计算的时候赋值。这时，饲料就派上用场了。

#创建一个变量占位符input1
input1 = tf.placeholder(tf.float32)

input2 = tf.placeholder(tf.float32)
#创建一个乘法操作，把input1和input2相乘
new_value=tf.multiply(input1,input2)
#使用这种写法，运行完毕后，会话会自动关闭
with tf.Session() as sess:
    #打印new_value的值，在运算时，用feed设置两个输入的值
    print(sess.run(new_value,feed_dict={input1:23.0,input2:11.0}))

分类：

技术要点：

相关文章：