一、环境配置
- 1.Anaconda以及Tensorflow的安装
- 2.CONDA环境安装
- 3.测试是否成功
二、认识TensorFlow
- 1.图 Graph()
- 2.会话 Session()
- 3.张量 Tensor
- - （1）张量的形状
  - （2）数据类型
  - 张量的动态形状与静态形状
- 4.张量操作
- - （1）生成张量
  - （2）张量变换
- 5.变量OP——模型参数
- - 作用域——使得代码图清晰
  - 增加变量显示——观察变化
- 6.事件文件与可视化
- - 1.在保存的事件文件所在的文件中输入 cmd
  - 2.依次输输入
  - 3.火狐浏览器打开
- 案例：线性回归
- - 版本一：trainable参数
  - 版本2：变量作用域
  - 版本3：增加变量显示
- 7.模型保存和加载
- - 版本4：加载之前训练好的模型
- 8.自定义命令行参数

一、环境配置

1.Anaconda以及Tensorflow的安装

1.anaconda以及Tensorflow的安装：
https://blog.csdn.net/qq_33505204/article/details/81584257
2.Anaconda详细安装及使用教程：
https://blog.csdn.net/ITLearnHall/article/details/81708148
3.windows平台下，TensorFlow的安装、卸载以及遇到的各种错误：
https://blog.csdn.net/qq_27245699/article/details/81050035

在这里插入图片描述

2.CONDA环境安装

CONDA环境安装：
conda : data science package & environment manager
创建环境:conda create --name python3 python=3
切换环境:
windows :activate python3
linux/macos : source activate python3
官方地址: https://www.anaconda.com/download/

在这里插入图片描述

3.测试是否成功

在这里插入图片描述

import tensorflow as tf
hello=tf.constant('hello')
sess=tf.Session()
print(sess.run(hello))from keras import backend
print(backend._BACKEND)

常用命令

显示环境 conda info --envs
进入环境 activate tensorflow
pip uninstall keras
pip uninstall keras-preprocessing -y
pip install keras

二、认识TensorFlow

tensor: 张量
operation:(op): 专⻔门运算的操作节点，所有操作都是⼀个op
图：graph:你的整个程序的结构
会话：运算程序的图

import tensorflow as tf
############ 去除警告
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
# 实现一个加法运算
a = tf.constant(5.0)
b = tf.constant(6.0)
sum1 = tf.add(a, b)with tf.Session() as sess:print(sess.run(sum1))

在这里插入图片描述

1.图 Graph()

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：

tf.get_default_graph()
op、sess或者tensor 的graph属性

创建图：

tf.Graph() ：使用新创建的图

import tensorflow as tf
############ 去除警告
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
# 创建一张图，上下文环境
# 图包含了一组op和tensor
# op:只要使用tensorflow的API定义的函数都是OP
# tensor：就指代的是数据
g = tf.Graph()print(g)
with g.as_default():c = tf.constant(11.0)print(c.graph)# 实现一个加法运算
a = tf.constant(5.0)
b = tf.constant(6.0)
sum1 = tf.add(a, b)# 默认的这张图，相当于是给程序分配一段内存
graph = tf.get_default_graph()
print(graph)
#只能运行一个图
with tf.Session() as sess:print(sess.run(sum1))print(a.graph)print(sum1.graph)

在这里插入图片描述

2.会话 Session()

在这里插入图片描述

• 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

sess = tf.Session() sess.run(…) sess.close()
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()

import tensorflow as tf
############ 去除警告
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
# 创建一张图，上下文环境
# 图包含了一组op和tensor
# op:只要使用tensorflow的API定义的函数都是OP
# tensor：就指代的是数据
# 实现一个加法运算
a = tf.constant(5.0)
b = tf.constant(6.0)
sum1 = tf.add(a, b)# 默认的这张图，相当于是给程序分配一段内存
graph = tf.get_default_graph()
print(graph)
# 看出程序在哪里运行
# 只要有上下文环境，就可以方便使用eval（）
with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:print(sess.run(sum1))print(sum1.eval())print(a.graph)print(sum1.graph)

会话的run()方法

在这里插入图片描述

import tensorflow as tf
############ 去除警告
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
# 创建一张图，上下文环境# 图包含了一组op和tensor
# op:只要使用tensorflow的API定义的函数都是OP# tensor：就指代的是数据# 实现一个加法运算
a = tf.constant(5.0)
b = tf.constant(6.0)
sum1 = tf.add(a, b)
var1=3
## 有重载的机制,默认会给运算符重载成op类型
sum2 = a + var1
print(sum2)
# 训练模型
# 实时的提供数据去进行训练
# placeholder是一个占位符,feed_dict一个字典
plt = tf.placeholder(tf.float32, [2, 3])
plt2=tf.placeholder(tf.float32,[None,3])
print(plt)
# 只要有上下文环境，就可以方便使用eval（）# 看出程序在哪里运行
with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:print(sess.run([a,b,sum1,sum2]))print(sess.run(plt,feed_dict={plt:[[1, 2, 3], [4, 5, 36]]}))print(sess.run(plt2, feed_dict={plt2: [[1, 2, 3], [4, 5, 36],[3,4,6]]}))print(sum1.eval())#输出结果print(a.graph)print(sum1.graph)

Tensorflow Feed操作
意义：在程序执行的时候,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

3.张量 Tensor

要点：
• 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

（1）张量的形状

在这里插入图片描述

（2）数据类型

在这里插入图片描述

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

with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:print(sess.run([a,b,sum1,sum2]))print(sess.run(plt,feed_dict={plt:[[1, 2, 3], [4, 5, 36]]}))print(sess.run(plt2, feed_dict={plt2: [[1, 2, 3], [4, 5, 36],[3,4,6]]}))print(sum1.eval())#输出结果print(a.graph)print(a.shape)print(a.name)print(a.op)

张量的动态形状与静态形状

在这里插入图片描述

import tensorflow as tf
############ 去除警告
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
#tensorflow中的形状：
# 0维:()   1维：(5)   2维：(5,6)  3维：（2，3，4）2张3行4列的表
# 形状的概念
# 静态形状和动态性状
# 对于静态形状来说，一旦张量形状固定了，不能再次设置静态形状, 不能夸维度修改 1D->1D 2D->2D
# 动态形状可以去创建一个新的张量,改变时候一定要注意元素数量要匹配  1D->2D  1->3Dplt=tf.placeholder(tf.float32,[None,2])
print(plt)
plt.set_shape([3,2])
print(plt)plt_reshape=tf.reshape(plt,[2,3])
print(plt_reshape)
with tf.Session() as sess:pass

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

4.张量操作

（1）生成张量

在这里插入图片描述

（2）张量变换

在这里插入图片描述

切片与扩展
tf.concat(values, axis, name=‘concat’)

• 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

5.变量OP——模型参数

• 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

在这里插入图片描述
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

import tensorflow as tf
############ 去除警告
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
a=tf.constant([1,2,3,4])
var = tf.Variable(tf.random_normal([2,3],mean=0,stddev=1.0))
print(a,var)
#必须做一个显示的初始化
init_op=tf.global_variables_initializer()
with tf.Session() as sess:#必须运行初始化opsess.run(init_op)print(sess.run([a,var]))pass
# 变量op
# 1、变量op能够持久化保存，普通张量op是不行的
# 2、当定义一个变量op的时候，一定要在会话当中去运行初始化
# 3、name参数：在tensorboard使用的时候显示名字，可以让相同op名字的进行区分

作用域——使得代码图清晰

在这里插入图片描述

tf.variable_scope(<scope_name>)
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？

tensorflow变量作用域的作用：
• 让模型代码更加清晰，作用分明

增加变量显示——观察变化

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为变量名字，tensor为值
       tf.summary.histogram( name =” ”, tensor )
       收集高纬度的变量参数
       tf.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 ) 每次迭代都需要运行
       添加： filewriter.add_summary(summary,i) i表示第几次的值

目的：
观察模型的参数，损失等变量值的变化

6.事件文件与可视化

在这里插入图片描述

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=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

在这里插入图片描述

import tensorflow as tf
############ 去除警告
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
a=tf.constant([1,2,3,4])
var = tf.Variable(tf.random_normal([2,3],mean=0,stddev=1.0))
print(a,var)
#必须做一个显示的初始化
init_op=tf.global_variables_initializer()
with tf.Session() as sess:#必须运行初始化opsess.run(init_op)# 把程序的图结构写入事件文件，graph：把指定的图写进事件文件当中filewriter=tf.summary.FileWriter('./py_tensflow/', graph=sess.graph)pass

Tensorboard --logdir=” F:/python/py_tensflow/”
文件路径，没有名字

1.在保存的事件文件所在的文件中输入 cmd

在这里插入图片描述

2.依次输输入

conda info --envs
activate tensorflow
Tensorboard --logdir=" F:/python/py_tensflow/"

3.火狐浏览器打开

历史记录中打开即可
http://DESKTOP-PJDM5BE:6006

在这里插入图片描述

案例：线性回归

Tensorflow运算API

矩阵运算
相乘 tf.matmul(x, w)
平方 tf.square(error)
均值 tf.reduce_mean(error)

梯度下降API
在这里插入图片描述

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

版本一：trainable参数

# trainable参数：指定这个变量能跟着梯度下降一起优化

import tensorflow as tf
############ 去除警告
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
def myregre():'''自定义一个线性回归:return:None'''# 1.准备数据，x 特征值 （100，1） y 目标值（100）x=tf.random_normal([100,1],mean=1.75,stddev=0.5,name="x_data")# 矩阵相乘必须是二维的y_true=tf.matmul(x,[[0.7]])+0.8# 2.建立线性回归模型 1个权重，1个特征，1个偏置 y=x w + b# 随机给权重和偏置的，让他计算损失，然后在当前状态下优化# 用变量定义才能优化weight = tf.Variable(tf.random_normal([1,1],mean=0.0,stddev=1.0),name="w")bias = tf.Variable(0.0,name="b")y_predict=tf.matmul(x,weight)+bias# 建立损失函数，均方误差loss = tf.reduce_mean(tf.square(y_true-y_predict))# 4.梯度下降，优化损失 learning_rate 0~1,2,3,5,7train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)# 定义一个初始化的 opinit_op=tf.global_variables_initializer()# 通过会话运行程序with tf.Session() as sess:# 初始化变量sess.run(init_op)# 打印随机初始化的权重和偏置print("随机初始化的参数权重为： %f 偏置为： %f" % (weight.eval(),bias.eval()))# 循环训练 运行优化for i in range(200):sess.run(train_op)print("优化为： %f 偏置为： %f" % (weight.eval(), bias.eval()))passreturn Noneif __name__ == '__main__':myregre()

版本2：变量作用域

import tensorflow as tf
############ 去除警告
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
def myregre():'''自定义一个线性回归:return:None'''with tf.variable_scope("data"):# 1.准备数据，x 特征值 （100，1） y 目标值（100）x=tf.random_normal([100,1],mean=1.75,stddev=0.5,name="x_data")# 矩阵相乘必须是二维的y_true=tf.matmul(x,[[0.7]])+0.8with tf.variable_scope("model"):# 2.建立线性回归模型 1个权重，1个特征，1个偏置 y=x w + b# 随机给权重和偏置的，让他计算损失，然后在当前状态下优化# 用变量定义才能优化weight = tf.Variable(tf.random_normal([1,1],mean=0.0,stddev=1.0),name="w")bias = tf.Variable(0.0,name="b")y_predict=tf.matmul(x,weight)+biaswith tf.variable_scope("loss"):# 建立损失函数，均方误差loss = tf.reduce_mean(tf.square(y_true-y_predict))with tf.variable_scope("optimizer"):# 4.梯度下降，优化损失 learning_rate 0~1,2,3,5,7train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)# 定义一个初始化的 opinit_op=tf.global_variables_initializer()# 通过会话运行程序with tf.Session() as sess:# 初始化变量sess.run(init_op)# 打印随机初始化的权重和偏置print("随机初始化的参数权重为： %f 偏置为： %f" % (weight.eval(),bias.eval()))# 建立事件文件filewriter = tf.summary.FileWriter('F:/python/py_tensflow/', graph=sess.graph)# 循环训练 运行优化for i in range(200):sess.run(train_op)print("优化为： %f 偏置为： %f" % (weight.eval(), bias.eval()))passreturn None
if __name__ == '__main__':myregre()

版本3：增加变量显示

import tensorflow as tf
############ 去除警告
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
def myregre():'''自定义一个线性回归:return:None'''with tf.variable_scope("data"):# 1.准备数据，x 特征值 （100，1） y 目标值（100）x=tf.random_normal([100,1],mean=1.75,stddev=0.5,name="x_data")# 矩阵相乘必须是二维的y_true=tf.matmul(x,[[0.7]])+0.8with tf.variable_scope("model"):# 2.建立线性回归模型 1个权重，1个特征，1个偏置 y=x w + b# 随机给权重和偏置的，让他计算损失，然后在当前状态下优化# 用变量定义才能优化weight = tf.Variable(tf.random_normal([1,1],mean=0.0,stddev=1.0),name="w")bias = tf.Variable(0.0,name="b")y_predict=tf.matmul(x,weight)+biaswith tf.variable_scope("loss"):# 建立损失函数，均方误差loss = tf.reduce_mean(tf.square(y_true-y_predict))with tf.variable_scope("optimizer"):# 4.梯度下降，优化损失 learning_rate 0~1,2,3,5,7train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)# 1、收集tensortf.summary.scalar("losses", loss)tf.summary.histogram("weights", weight)# 定义合并Tensor的opmerged = tf.summary.merge_all()# 定义一个初始化的 opinit_op=tf.global_variables_initializer()# 通过会话运行程序with tf.Session() as sess:# 初始化变量sess.run(init_op)# 打印随机初始化的权重和偏置print("随机初始化的参数权重为： %f 偏置为： %f" % (weight.eval(),bias.eval()))# 建立事件文件filewriter = tf.summary.FileWriter('F:/python/py_tensflow/', graph=sess.graph)# 循环训练 运行优化for i in range(200):sess.run(train_op)# 运行合并的tensorsummary = sess.run(merged)filewriter.add_summary(summary,i)print("优化为： %f 偏置为： %f" % (weight.eval(), bias.eval()))passreturn Noneif __name__ == '__main__':myregre()

7.模型保存和加载

在这里插入图片描述

tf.train.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’) 路径+名字
saver.restore(sess, ‘/tmp/ckpt/test/model’)
保存文件格式：checkpoint文件

版本4：加载之前训练好的模型

import tensorflow as tf
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
def myregre():'''自定义一个线性回归:return:None'''with tf.variable_scope("data"):# 1.准备数据，x 特征值 （100，1） y 目标值（100）x=tf.random_normal([100,1],mean=1.75,stddev=0.5,name="x_data")# 矩阵相乘必须是二维的y_true=tf.matmul(x,[[0.7]])+0.8with tf.variable_scope("model"):# 2.建立线性回归模型 1个权重，1个特征，1个偏置 y=x w + b# 随机给权重和偏置的，让他计算损失，然后在当前状态下优化# 用变量定义才能优化weight = tf.Variable(tf.random_normal([1,1],mean=0.0,stddev=1.0),name="w")bias = tf.Variable(0.0,name="b")y_predict=tf.matmul(x,weight)+biaswith tf.variable_scope("loss"):# 建立损失函数，均方误差loss = tf.reduce_mean(tf.square(y_true-y_predict))with tf.variable_scope("optimizer"):# 4.梯度下降，优化损失 learning_rate 0~1,2,3,5,7train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)# 1、收集tensortf.summary.scalar("losses", loss)tf.summary.histogram("weights", weight)# 定义合并Tensor的opmerged = tf.summary.merge_all()# 定义一个初始化的 opinit_op=tf.global_variables_initializer()# 定义一个保存模型的实例saver = tf.train.Saver()# 通过会话运行程序# 通过会话运行程序with tf.Session() as sess:# 初始化变量sess.run(init_op)# 打印随机初始化的权重和偏置print("随机初始化的参数权重为： %f 偏置为： %f" % (weight.eval(),bias.eval()))# 建立事件文件filewriter = tf.summary.FileWriter('F:/python/py_tensflow/', graph=sess.graph)# 加载模型 ，覆盖模型当中随机定义的参数，从上次训练的参数结果开始if os.path.exists("./py_tensflow/check_file/checkpoint"):saver.restore(sess,"F:\python\py_tensflow\check_file\model1")# 循环训练 运行优化for i in range(200):sess.run(train_op)# 运行合并的tensorsummary = sess.run(merged)filewriter.add_summary(summary,i)print("优化为： %f 偏置为： %f" % (weight.eval(), bias.eval()))saver.save(sess,"F:\python\py_tensflow\check_file\model1")return Noneif __name__ == '__main__':myregre()

8.自定义命令行参数

在这里插入图片描述

在这里插入图片描述
2、 tf.app.flags.,在flags有一个FLAGS标志，它在程序中可以调用到我们
前面具体定义的flag_name
3、通过tf.app.run()启动main(argv)函数

# 定义命令行参数
# 1、首先定义有哪些参数需要在运行时候指定
# 2、程序当中获取定义命令行参数# 第一个参数：名字，默认值，说明
tf.app.flags.DEFINE_integer("max_step", 100, "模型训练的步数")
tf.app.flags.DEFINE_string("model_dir", " ", "模型文件的加载的路径")# 定义获取命令行参数名字
FLAGS = tf.app.flags.FLAGS# 循环训练 运行优化
for i in range(FLAGS.max_step):sess.run(train_op)# 运行合并的tensorsummary = sess.run(merged)filewriter.add_summary(summary, i)print("第%d次优化的参数权重为：%f, 偏置为：%f" % (i, weight.eval(), bias.eval()))saver.save(sess, FLAGS.model_dir)