tensorflow用法,tensorflow支持的语言
会话一个运行张量流运算的类，会话开启的两种方式：tf .会话():用于完整的程序中tf .InteractiveSession():用于交互上下文中的张量流，例如：shellinit(target= ，graph=None，config=None):初始化会话图表：默认情况下，会话绑定默认图目标：访问远程设备，指定grpc://网址配置：允许指定一个tf .配置协议控制会话行为，如：配置协议协议用于打印设备#所有的op、ses、张量都是在同一张图中，即内存地址相同
定义graph_demo():
v_data1=tf。常数([1,2,3])
v_data2=tf.constant([3，2，1])
v_data3=tf.add(v_data1，v_data2)
default _ graph=TF获取默认图形()
打印（默认图形)
打印(v_data2.graph)
用tf .会话(config=tf .配置协议(allow _ soft _ placement=True，log _ device _ placement=True))作为会话：
打印(sess.graph)运行：提取：单一的操作，或者列表、元组（不属于张量流类型的不行)feed_dict:参数允许调用覆盖图中的值，进行赋值与tf.placeholder搭配使用，检查值的形状与占位符号是否兼容def place_constant():
#支架占位类型
a=tf.placeholder(tf.int32)
b=tf.placeholder(tf.int32)
c=tf.add(a，b)
用tf .会话()作为会话：
#使用奔跑中的饲料_字典进行传值
print(sess.run(c，feed_dict={a:1，b:2}))
查看张量的值，只能在会话中查看sess.run().eval()
张量张量流的张量就是一个n维数组类型：数据类型形状：形状张量类型张量的阶创建张量的时候，如果不指定类型
默认tf.float32
整型：tf.int32
浮点型：tf.float32张量的变换类型变换def Matrix_cast():
矩阵1=TF。random _ normal(形状=[9，9]，平均值=1.8，标准差=5，种子=12)
#查看类型
打印(matrix1.dtype)
#tf.to.转换指定到.类型
matrix2=tf.to_int64(matrix1)
打印（矩阵2)
#转换成想要的类型，演员阵容不会修改原本的张量，返回修改内之后的张量
matrix3=tf.cast(matrix2，dtype=tf.float64)
打印（矩阵3)
用tf .会话()作为会话：
打印(sess.run(matrix2))形状修改
静态形状（不能跨阶数)—-一开始创建的张量的形状，确定了维数就不能改变维数了一维到一维、二维到二维.修改静态形状，只有形状没有固定下来的情况下，才能改def place _ mattrix():
#占位，未确定形状
a=TF。占位符(dtype=TF。浮动32，形状=[无，无])
b=TF。占位符(dttype=TF。float 32，shape=[无，10])
c=TF。占位符(dttype=TF。浮点32，形状=[8，8])
#填充占位
答。集合形状([9,9])
集合形状([9,10])
打印（一份)
打印(二)
打印(三)动态形状修改（可以跨阶数),只会返回修改之后的张量，不会修改原始的tensordef d3_place_matrix():
#占位，未确定形状
a=TF。占位符(dtype=TF。浮动32，形状=[无，无])
b=TF。占位符(dttype=TF。float 32，shape=[无，10])
c=TF。占位符(dtype=TF。float 32，shape=[7，8])，
#动态修改，可更改阶数，不能改变数量，但是不能修改元素的数量，列入c的[7,8]可以[8,7,1]不能[10,5,1]
a _ reshaped=TF。shape(a，shape=([1，2，3])
c _ reshaped=TF。shape(c，shape=([8，7，1])
打印（一份)
打印(二)
打印(三)
打印（形状改变)
打印(c _整形)变量过强；管理员变量的特点：存储持久化可修改值可指定被训练创建变量极好的变量_sc():
#tf。变量_作用域修改命名空间使结构更加清晰
用TF。变量范围( my _ scopr 1 ):
a=tf .变量（初始值=88)
b=tf .变量（初始值=99)
用TF。变量范围(我的范围2 ):
c=tf.add(a，b)
打印（一份)
打印(二)
打印(三)
用tf .会话()作为会话：
#初始化全局变量
sess。运行(TF。global _ variables _ initializer()
打印(sess.run(c))基础APItf.app
相当于为张量流脚本提供主要的函数入口tf。图像
张量流的图像处理，主要颜色变换，变形和解码tf.gfile
提供文件操作函数tf。摘要
生成张量板可用的统计日志，目前四种类型：
音频、图像、直方图、scalartf.python_io
读取TFRecords文件tf。火车
提供一个训练器，结合tf.nn，实现网络tf.nn的优化计算。
提供神经网络的底层功能和核心模块。
它包括各层的功能，如卷积层、池层和其他高级APItf.keras。
深度学习库tf.layers
用更高的概念对模型进行分层，类似于kerastf.contrib
它可以提供计算图中的网络层、正则化、汇总运算，是构建计算图的高级运算tf.estimator。
实现几个简单的分类器和回归器。这里的DNN网只是全连通网，并没有2020年10月16日的总结(完整)，比如卷积：基本完成。之前因为先学了Tensorflow2.x，一开始不能直接理解底层原理，所以很难。现在反过来把底层学的更清楚了，知道多位矩阵的各种运算。张量是
重点：矩阵运算。
难点：理解图像的像素矩阵参与运算的思想案例：实现线性回归模型的训练案例确定随机点有100个，只有一个特征值数据有自己的分布y=0.8*x 0.7。回顾线性回归原理并建立模型。
Y=w1n1.建立一个损失函数
均值方差优化损失
梯度下降训练分析准备
准备数据
28个样本
x特征形状(100，1)
y值形状(100，1)
假设x和y之间的关系满足
y=ax b
a0.8 b0.7
在线分析
(100, 1)*(1, 1)=(100,1)
Y _ predict=x * weights (1，1)basis(1，1)建筑模型
Y _ predict=TF。matmul (x，权重)基于施工损失
误差=TF . reduce _ mean(TF . square(y _ predict-y _ value))优化损失
optimizer=TF . train . gradiendescentoptimizer(learning _ rate=0.01)。最小化(错误)代码将导入张量流实现为tf。
导入操作系统
OS . environ[ TF _ CPP _ MIN _ LOG _ LEVEL ]= 2
生成数据
def随机数据():
#生成数据
x=tf.random_normal(shape=[100，1])
y_value=tf.matmul(x，[[0.8]]) 0.7
返回x，y值
建立一个模型并处理它。
def pand_data_gets():
#模型准备，k，b是随机值
重量=tf。变量(初始值=tf.random_normal(shape=[1，1]))
bais=tf。变量(初始值=tf.random_normal(shape=[1，1]))
用tf。会话()作为会话：
sess . run(TF . global _ variables _ initializer())
y _ predict=TF . mat mul(sess . run(random _ data())[0]，weight) bais
#构建损失函数，均方误差
error=TF . reduce _ mean(TF . square(y _ predict-sess . run(random _ data())[1])
#优化损耗最小化(误差)使损耗最小化，GradientDescentOptimizer的梯度减小。
optimizer=TF . train . gradientdescentoptimizer(learning _ rate=0.001)。最小化(误差)
#检查初始化值
Print(预训练模型参数为：weight %f，offset %f，loss% f% (weight.eval()，bais.eval()，error.eval()))
对于范围内的I(1000):
#开始训练
sess.run(优化器)
Print(训练后模型参数为：weight %f，offset %f，loss% f% (weight.eval()，bais.eval()，error.eval()))
if __name__==__main__ :
pand_data_gets()的学习率设置、步数设置、梯度爆发
在极端情况下，权重值变得非常大，这导致重新设计NaN值解、调整学习率、使用梯度截断以及使用激活函数变量观察可训练设置。
的变量tarinable设置为False，这意味着不允许训练。默认值为True。增加tensorBoard变量显示集合变量tf.summary.scalar (name= ，Tensor)收集损失值tf.summary.histogram(name= ，Tensorf)收集变量参数tf.summary.image(name= )高维，Tensor)收集输入图片的张量显示图片合并变量写入事件文件merged=tf.summary.merge_all()运行merge:sess . sun(merrged)Add file writer . Add _ summary(path， I)指示次数的值的示例：# # # # # # # # # # # # # # # # # # # # # # # # # # # # #
#重要提示：请确保将要保存在作业中的文件保存在结果文件夹中。
#重要提示：请确保您的文件保存在“结果”文件夹中
#在你的工作中
###############################################################################
将张量流作为tf导入
导入操作系统
OS . environ[ TF _ CPP _ MIN _ LOG _ LEVEL ]= 2
生成数据
def随机数据():
#生成数据
x=tf.random_normal(shape=[100，1])
y_value=tf.matmul(x，[[0.8]]) 0.7
返回x，y值
建立模型并处理
def pand_data_gets():
#模型准备，k，b均为随机值
重量=tf .变量（初始值=tf.random_normal(shape=[1，1]))
bais=tf .变量（初始值=tf.random_normal(shape=[1，1]))
用tf .会话()作为会话：
sess。运行(TF。global _ variables _ initializer()
#创建事件文件
file _ writer=TF。总结。文件编写器(./results/tb_results/model3 ，graph=sess.graph)
y _ predict=TF。mat mul(sess。run(random _ data())[0]，weight)bass
#构建损失函数，均方误差
误差=TF。reduce _均值(TF。square(y _ predict-sess。run(random _ data())[1])，name=error )
#收集变量
tf.summary.scalar(error ，错误)
tf.summary.histogram(weight ，权重)
tf.summary.histogram(bais ，bais)
#合并变量
merged=tf.summary.merge_all()
#优化损失最小化（误差)最小化损失，梯度下降优化器梯度下降
优化器=TF。火车。gradienddescentoptimizer(learning _ rate=0.001).最小化（误差)
#查看初始化后的值
打印(训练前模型参数为：权重%f，偏置%f，损失值% f"%(重量。eval()、bais.eval()、error.eval()))
对于范围内的我(1000):
#开始训练
sess.run(优化器)
#合并变量操作
summaries=sess.run(合并)
#将每次迭代后的时间写入事件文件
文件_编写器.添加_摘要(摘要，我)
打印(训练后模型参数为：权重%f，偏置%f，损失值% f"%(重量。eval()、bais.eval()、error.eval()))
if __name__==__main__ :
pand_data_gets()添加命名空间使代码结构更加清晰，张量板图结构清楚用TF。variable _ scope( lr _ modle )模型保存与加载tf.train.Saver(var_list=None，max_to_keep=5)var_list:指定要保存和还原的变量，它可以作为一个词典和一个列表传递最大保留时间：指示保留的检查点的最大数量，默认为5保存与加载的例子：将张量流作为法国南部（French Southern Territories的缩写）导入
导入操作系统
OS。environ[ TF _ CPP _ MIN _ LOG _ LEVEL ]= 2
生成数据
极好的随机数据():
#生成数据
x=tf.random_normal(shape=[100，1])
y_value=tf.matmul(x，[[0.8]]) 0.7
返回x，y值
建立模型并处理
def pand_data_gets():
#模型准备，k，b均为随机值
重量=tf .变量（初始值=tf.random_normal(shape=[1，1]))
bais=tf .变量（初始值=tf.random_normal(shape=[1，1]))
saver=TF。火车。saver(max _ to _ keep=3)
用tf .会话()作为会话：
sess。运行(TF。global _ variables _ initializer()
#创建事件文件
file _ writer=TF。总结。文件编写器(./results/tb_results/model2 ，graph=sess.graph)
y _ predict=TF。mat mul(sess。run(random _ data())[0]，weight)bass
#构建损失函数，均方误差
误差=TF。reduce _均值(TF。square(y _ predict-sess。run(random _ data())[1])
#收集变量
tf.summary.scalar(error ，错误)
tf.summary.histogram(weight ，权重)
tf.summary.histogram(bais ，bais)
#合并变量
merged=tf.summary.merge_all()
#优化损失最小化（误差)最小化损失，梯度下降优化器梯度下降
优化器=TF。火车。gradienddescentoptimizer(learning _ rate=0.001).最小化（误差)
#查看初始化后的值
打印(训练前模型参数为：权重%f，偏置%f，损失值% f"%(重量。eval()、bais.eval()、error.eval()))
#对于范围内的我(1000):
# #开始训练
# sess.run(优化器)
# #合并变量操作
# summary=sess.run(合并)
# #将每次迭代后的时间写入事件文件
#文件编写器。add _ summary(summary，I)
#如果i==0:
# saver.save(sess， 0 ./tmp/my_linear.ckpt )
如果os.path.exists(./tmp/my_linear.ckpk ):
saver.restore(sess ./tmp/my_linear.ckpt )
打印(训练后模型参数为：权重%f，偏置%f，损失值% f"%(重量。eval()、bais.eval()、error.eval()))
if __name__==__main__ :
pand_data_gets()命令行参数使用tf.app.FLAGS，这是从命令行接收的参数，用于指定tf.app.flags的配置。它可以调用程序前面定义的特定flag_name，通过tf.app.run()启动main(argv)函数。
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。