轻松体验TensorFlow 第一个神经网络：基本分类（Part 1）

关于 Jupyter Notebook 的使用，可以参考如下链接，有详细的步骤和截图：

Jupyter Notebook神器-免费体验来自微软的Azure Notebook

基于Jupyter Notebook 快速体验Python和plot()绘图方法

基于Jupyter Notebook 快速体验matplotlibpyplot模块中绘图方法

TensorFlow 基本分类（basic classification）演示的完整代码，可以访问：

上述命令运行时间较长，请耐心等待。

pip list 命令用来查看当前环境下的Python 包，grep 命令用来查找和筛选。中间的竖线表示 pipe（管道），将pip list 命令的输出作为 grep 命令的输入。

pip 前面的感叹号是cell 中运行 Linux 命令的方式，在命令行中运行则不需要加感叹号。

上述命令的输出，表示当前环境已经安装好了 TensorFlow 包。如果没有安装，可以通过如下命令安装：

安装TensorFlow命令，说明如下：

本地安装TensorFlow，截图如下。

TensorFlow 安装完成：

下面训练了一个神经网络模型，来对服装图像进行分类，例如运动鞋和衬衫。需要使用tfkeras，这是一个用于在TensorFlow 中构建和训练模型的高级API。

下面使用Fashion MNIST 数据集，其中包含了10个类别中共70,000张灰度图像。图像包含了低分辨率（28 x 28像素）的单个服装物品，链接如下所示:

Fashion-MNIST是一个替代MNIST手写数字集的图像数据集。 它是由Zalando（一家德国的 时尚 科技 公司）旗下的研究部门提供。其涵盖了来自10种类别的共7万个不同商品的正面。Fashion-MNIST的大小、格式和训练集/测试集划分与原始的MNIST完全一致。60000/10000的训练测试数据划分，28x28的灰度。可以直接用它来测试你的机器学习和深度学习算法性能，且不需要改动任何的代码。

MNIST是 Mixed National Institute of Standards and Technology database 的简写。

下面使用60,000张图像来训练网络和10,000张图像来评估网络模型学习图像分类任务的准确程度。

可以直接从TensorFlow 使用Fashion MNIST，只需导入并加载数据。

加载数据集并返回四个NumPy数组:

图像是28x28 NumPy数组，像素值介于0到255之间。labels是一个整数数组，数值介于0到9之间。

下面是图像类别和标签的对应关系：

每个图像都映射到一个标签。由于类别名称不包含在数据集中，因此把他们存储在这里以便在绘制图像时使用:

以下显示训练集中有60,000个图像，每个图像表示为28 x 28像素：

训练集中有 60000个标签，并且每个标签都是0-9 之间的整数。

测试集和训练集类似，有10000个图像和对应的10000个图像标签。

在训练网络之前必须对数据进行预处理。 如果检查训练集中的第一个图像，将看到像素值落在0到255的范围内：

代码说明：

pltfigure() 创建一个新的figure。

pltcolorbar() 方法用来显示当前image 的颜色方案。

在发送到神经网络模型之前，我们将这些值缩放到0到1的范围（归一化处理）。为此，我们将像素值值除以255。重要的是，对训练集和测试集要以相同的方式进行预处理:

显示训练集中的前25个图像，并在每个图像下方显示类别名。验证数据格式是否正确，我们是否已准备好构建和训练网络。

代码说明：

pltxticks([])和pltyticks([]) - 以空list 作为xticks() 方法的参数，查看数据集中图像隐藏坐标轴。

pltxlabel() 方法可以在 x 轴的下方显示指定文本。

pltsubplot(5,5,1) 方法 - 表示5行5列共25个位置，最后一个参数1 表示Axes的位置，第一行的位置编号为：1-5，第二行的位置编号为：6-10，依此类推。

上述代码遍历了25 个位置（for i in range(25)），批量显示多张图。针对每一个位置，设置隐藏x和y轴，不显示网关线（grid），在对应的位置显示图像以及类别（label）。

需要注意的地方：Axes 位置的起始值是1，不是常见的0。

对TensorFlow 深度学习有兴趣的同学，可以访问如下链接。

是的。

使用支持gpu的tensorflow的前提是安装了正确版本的CUDA和cuDNN。

关于CUDA和cuDNN的安装可以参考NVIDIA官网和网上各种安装教程，在此不再赘述。本文想要强调的重点是要安装支持自己的GPU的版本，然后根据CUDA版本安装正确版本的cuDNN，最后根据安装的CUDA和cuDNN的版本选择正确的tensorflow版本安装，否则安装了tensorflow但是也无法使用GPU，程序跑起来只是在使用CPU。

调试程序时候，有时候需要打印tensor的值的时候，直接print显示的是如下tensor的shape、dtype等信息

使用如下方法可打印tensor值

结果：

你好，基本使用

使用 TensorFlow, 你必须明白 TensorFlow:

使用图 (graph) 来表示计算任务

在被称之为 会话 (Session) 的上下文 (context) 中执行图

使用 tensor 表示数据

通过 变量 (Variable) 维护状态

使用 feed 和 fetch 可以为任意的 *** 作(arbitrary operation) 赋值或者从其中获取数据

综述

TensorFlow 是一个编程系统, 使用图来表示计算任务 图中的节点被称之为 op

(operation 的缩写) 一个 op 获得 0 个或多个 Tensor, 执行计算,

产生 0 个或多个 Tensor 每个 Tensor 是一个类型化的多维数组

例如, 你可以将一小组图像集表示为一个四维浮点数数组,

这四个维度分别是 [batch, height, width, channels]

一个 TensorFlow 图描述了计算的过程 为了进行计算, 图必须在 会话 里被启动

会话 将图的 op 分发到诸如 CPU 或 GPU 之类的 设备 上, 同时提供执行 op 的方法

这些方法执行后, 将产生的 tensor 返回 在 Python 语言中, 返回的 tensor 是

numpy ndarray 对象; 在 C 和 C++ 语言中, 返回的 tensor 是

tensorflow::Tensor 实例

计算图

TensorFlow 程序通常被组织成一个构建阶段和一个执行阶段 在构建阶段, op 的执行步骤

被描述成一个图 在执行阶段, 使用会话执行执行图中的 op

例如, 通常在构建阶段创建一个图来表示和训练神经网络, 然后在执行阶段反复执行图中的训练 op

TensorFlow 支持 C, C++, Python 编程语言 目前, TensorFlow 的 Python 库更加易用,

它提供了大量的辅助函数来简化构建图的工作, 这些函数尚未被 C 和 C++ 库支持

三种语言的会话库 (session libraries) 是一致的

构建图

构建图的第一步, 是创建源 op (source op) 源 op 不需要任何输入, 例如 常量 (Constant) 源 op 的输出被传递给其它 op 做运算

Python 库中, op 构造器的返回值代表被构造出的 op 的输出, 这些返回值可以传递给其它

op 构造器作为输入

TensorFlow Python 库有一个默认图 (default graph), op 构造器可以为其增加节点 这个默认图对

许多程序来说已经足够用了 阅读 Graph 类 文档

来了解如何管理多个图

import tensorflow as tf

# 创建一个常量 op, 产生一个 1x2 矩阵 这个 op 被作为一个节点

# 加到默认图中

#

# 构造器的返回值代表该常量 op 的返回值

matrix1 = tfconstant([[3, 3]])

# 创建另外一个常量 op, 产生一个 2x1 矩阵

matrix2 = tfconstant([[2],[2]])

# 创建一个矩阵乘法 matmul op , 把 'matrix1' 和 'matrix2' 作为输入

# 返回值 'product' 代表矩阵乘法的结果

product = tfmatmul(matrix1, matrix2)

默认图现在有三个节点, 两个 constant() op, 和一个matmul() op 为了真正进行矩阵相乘运算, 并得到矩阵乘法的

结果, 你必须在会话里启动这个图

在一个会话中启动图

构造阶段完成后, 才能启动图 启动图的第一步是创建一个 Session 对象, 如果无任何创建参数,

会话构造器将启动默认图

欲了解完整的会话 API, 请阅读Session 类

# 启动默认图

sess = tfSession()

# 调用 sess 的 'run()' 方法来执行矩阵乘法 op, 传入 'product' 作为该方法的参数

# 上面提到, 'product' 代表了矩阵乘法 op 的输出, 传入它是向方法表明, 我们希望取回

# 矩阵乘法 op 的输出

#

# 整个执行过程是自动化的, 会话负责传递 op 所需的全部输入 op 通常是并发执行的

#

# 函数调用 'run(product)' 触发了图中三个 op (两个常量 op 和一个矩阵乘法 op) 的执行

#

# 返回值 'result' 是一个 numpy `ndarray` 对象

result = sessrun(product)

print result

# ==> [[ 12]]

# 任务完成, 关闭会话

sessclose()

Session 对象在使用完后需要关闭以释放资源 除了显式调用 close 外, 也可以使用 "with" 代码块

来自动完成关闭动作

with tfSession() as sess:

result = sessrun([product])

print result

在实现上, TensorFlow 将图形定义转换成分布式执行的 *** 作, 以充分利用可用的计算资源(如 CPU

或 GPU) 一般你不需要显式指定使用 CPU 还是 GPU, TensorFlow 能自动检测 如果检测到 GPU, TensorFlow

会尽可能地利用找到的第一个 GPU 来执行 *** 作

如果机器上有超过一个可用的 GPU, 除第一个外的其它 GPU 默认是不参与计算的 为了让 TensorFlow

使用这些 GPU, 你必须将 op 明确指派给它们执行 withDevice 语句用来指派特定的 CPU 或 GPU

执行 *** 作:

with tfSession() as sess:

with tfdevice("/gpu:1"):

matrix1 = tfconstant([[3, 3]])

matrix2 = tfconstant([[2],[2]])

product = tfmatmul(matrix1, matrix2)

设备用字符串进行标识 目前支持的设备包括:

"/cpu:0": 机器的 CPU

"/gpu:0": 机器的第一个 GPU, 如果有的话

"/gpu:1": 机器的第二个 GPU, 以此类推

阅读使用GPU章节, 了解 TensorFlow GPU 使用的更多信息

交互式使用

文档中的 Python 示例使用一个会话 Session 来

启动图, 并调用 Sessionrun() 方法执行 *** 作

为了便于使用诸如 IPython 之类的 Python 交互环境, 可以使用

InteractiveSession 代替

Session 类, 使用 Tensoreval()

和 Operationrun() 方法代替

Sessionrun() 这样可以避免使用一个变量来持有会话

# 进入一个交互式 TensorFlow 会话

import tensorflow as tf

sess = tfInteractiveSession()

x = tfVariable([10, 20])

a = tfconstant([30, 30])

# 使用初始化器 initializer op 的 run() 方法初始化 'x'

xinitializerrun()

# 增加一个减法 sub op, 从 'x' 减去 'a' 运行减法 op, 输出结果

sub = tfsub(x, a)

print subeval()

# ==> [-2 -1]

Tensor

TensorFlow 程序使用 tensor 数据结构来代表所有的数据, 计算图中, *** 作间传递的数据都是 tensor

你可以把 TensorFlow tensor 看作是一个 n 维的数组或列表 一个 tensor 包含一个静态类型 rank, 和

一个 shape 想了解 TensorFlow 是如何处理这些概念的, 参见

Rank, Shape, 和 Type

变量

Variables for more details

变量维护图执行过程中的状态信息 下面的例子演示了如何使用变量实现一个简单的计数器 参见

变量 章节了解更多细节

# 创建一个变量, 初始化为标量 0

state = tfVariable(0, name="counter")

# 创建一个 op, 其作用是使 state 增加 1

one = tfconstant(1)

new_value = tfadd(state, one)

update = tfassign(state, new_value)

# 启动图后, 变量必须先经过`初始化` (init) op 初始化,

# 首先必须增加一个`初始化` op 到图中

init_op = tfinitialize_all_variables()

# 启动图, 运行 op

with tfSession() as sess:

# 运行 'init' op

sessrun(init_op)

# 打印 'state' 的初始值

print sessrun(state)

# 运行 op, 更新 'state', 并打印 'state'

for _ in range(3):

sessrun(update)

print sessrun(state)

# 输出:

# 0

# 1

# 2

# 3

代码中 assign() *** 作是图所描绘的表达式的一部分, 正如 add() *** 作一样 所以在调用 run()

执行表达式之前, 它并不会真正执行赋值 *** 作

通常会将一个统计模型中的参数表示为一组变量 例如, 你可以将一个神经网络的权重作为某个变量存储在一个 tensor 中

在训练过程中, 通过重复运行训练图, 更新这个 tensor

Fetch

为了取回 *** 作的输出内容, 可以在使用 Session 对象的 run() 调用 执行图时, 传入一些 tensor,

这些 tensor 会帮助你取回结果 在之前的例子里, 我们只取回了单个节点 state, 但是你也可以取回多个

tensor:

input1 = tfconstant(30)

input2 = tfconstant(20)

input3 = tfconstant(50)

intermed = tfadd(input2, input3)

mul = tfmul(input1, intermed)

with tfSession() as sess:

result = sessrun([mul, intermed])

print result

# 输出:

# [array([ 21], dtype=float32), array([ 7], dtype=float32)]

需要获取的多个 tensor 值，在 op 的一次运行中一起获得（而不是逐个去获取 tensor）。

Feed

上述示例在计算图中引入了 tensor, 以常量或变量的形式存储 TensorFlow 还提供了 feed 机制, 该机制

可以临时替代图中的任意 *** 作中的 tensor 可以对图中任何 *** 作提交补丁, 直接插入一个 tensor

feed 使用一个 tensor 值临时替换一个 *** 作的输出结果 你可以提供 feed 数据作为 run() 调用的参数

feed 只在调用它的方法内有效, 方法结束, feed 就会消失 最常见的用例是将某些特殊的 *** 作指定为 "feed" *** 作,

标记的方法是使用 tfplaceholder() 为这些 *** 作创建占位符

input1 = tfplaceholder(tffloat32)

input2 = tfplaceholder(tffloat32)

output = tfmul(input1, input2)

with tfSession() as sess:

print sessrun([output], feed_dict={input1:[7], input2:[2]})

# 输出:

# [array([ 14], dtype=float32)]

for a larger-scale example of feeds

如果没有正确提供 feed, placeholder() *** 作将会产生错误

MNIST 全连通 feed 教程

(source code)

给出了一个更大规模的使用 feed 的例子

从入门级选手到专业级选手都在做的——爬虫

用Python写爬虫的教程网上一抓一大把，据我所知很多初学Python的人都是使用它编写爬虫程序。小到抓取一个小黄图网站，大到一个互联网公司的商业应用。通过Python入门爬虫比较简单易学，不需要在一开始掌握太多太基础太底层的知识就可以很快上手，而且很快可以做出成果，非常适合小白一开始想做出点看得见的东西的成就感。

除了入门，爬虫也被广泛应用到一些需要数据的公司、平台和组织，通过抓取互联网上的公开数据，来实现一些商业价值是非常常见的做法。当然这些选手的爬虫就要厉害的多了，需要处理包括路由、存储、分布式计算等很多问题，与小白的抓黄图小程序，复杂度差了很多倍。

Web程序

除了爬虫，Python也广泛应用到了Web端程序，比如你现在正在使用的知乎，主站后台就是基于Python的tornado框架，豆瓣的后台也是基于Python。除了tornado(TornadoWebServer)，Python常用的Web框架还有Flask(Welcome|Flask(APython))，Django(TheWebframeworkforwithdeadlines)等等。通过上述框架，你可以很方便实现一个Web程序，比如我认识的一些朋友，就通过Python自己编写了自己的博客程序，包括之前的huphoto，我就是通过Flask实现的后台(出于版权等原因，我已经停掉了这个网站)。除了上述框架，你也可以尝试自己实现一个Web框架。

桌面程序

Python也有很多UI库，你可以很方便地完成一个GUI程序(话说我最开始接触编程的时候，就觉得写GUI好炫酷，不过搞了好久才在VC6搞出一个小程序，后来又辗转Delphi、Java等，最后接触到Python的时候，我对GUI已经不感兴趣了)。Python实现GUI的实例也不少，包括大名鼎鼎的Dropbox，就是Python实现的服务器端和客户端程序。

人工智能(AI)与机器学习

人工智能是现在非常火的一个方向，AI热潮让Python语言的未来充满了无限的潜力。现在释放出来的几个非常有影响力的AI框架，大多是Python的实现，为什么呢因为Python足够动态、具有足够性能，这是AI技术所需要的技术特点。比如基于Python的深度学习库、深度学习方向、机器学习方向、自然语言处理方向的一些网站基本都是通过Python来实现的。

机器学习，尤其是现在火爆的深度学习，其工具框架大都提供了Python接口。Python在科学计算领域一直有着较好的声誉，其简洁清晰的语法以及丰富的计算工具，深受此领域开发者喜爱。

早在深度学习以及Tensorflow等框架流行之前，Python中即有scikit-learn，能够很方便地完成几乎所有机器学习模型，从经典数据集下载到构建模型只需要简单的几行代码。配合Pandas、matplotlib等工具，能很简单地进行调整。

而Tensorflow、PyTorch、MXNet、Keras等深度学习框架更是极大地拓展了机器学习的可能。使用Keras编写一个手写数字识别的深度学习网络仅仅需要寥寥数十行代码，即可借助底层实现，方便地调用包括GPU在内的大量资源完成工作。

值得一提的是，无论什么框架，Python只是作为前端描述用的语言，实际计算则是通过底层的C/C实现。由于Python能很方便地引入和使用C/C项目和库，从而实现功能和性能上的扩展，这样的大规模计算中，让开发者更关注逻辑于数据本身，而从内存分配等繁杂工作中解放出来，是Python被广泛应用到机器学习领域的重要原因。

科学计算

Python的开发效率很高，性能要求较高的模块可以用C改写，Python调用。同时，Python可以更高层次的抽象问题，所以在科学计算领域也非常热门。包括scipy、numpy等用于科学计算的第三方库的出现，更是方便了又一定数学基础，但是计算机基础一般的朋友。

《TensorFlow技术解析与实战》（李嘉璇）电子书网盘下载免费在线阅读

链接：> 密码：wsj5  

书名：TensorFlow技术解析与实战

作者：李嘉璇

豆瓣评分：56

出版社：人民邮电出版社

出版年份：2017-6-1

页数：316

内容简介：

TensorFlow 是谷歌公司开发的深度学习框架，也是目前深度学习的主流框架之一。本书从深度学习的基础讲起，深入TensorFlow框架原理、模型构建、源代码分析和网络实现等各个方面。全书分为基础篇、实战篇和提高篇三部分。基础篇讲解人工智能的入门知识，深度学习的方法，TensorFlow的基础原理、系统架构、设计理念、编程模型、常用API、批标准化、模型的存储与加载、队列与线程，实现一个自定义 *** 作，并进行TensorFlow源代码解析，介绍卷积神经网络（CNN）和循环神经网络（RNN）的演化发展及其TensorFlow实现、TensorFlow的高级框架等知识；实战篇讲解如何用TensorFlow写一个神经网络程序并介绍TensorFlow实现各种网络（CNN、RNN和自编码网络等）并对MNIST数据集进行训练，讲解TensorFlow在人脸识别、自然语言处理、图像和语音的结合、生成式对抗网络等方面的应用；提高篇讲解TensorFlow的分布式原理、架构、模式、API，还会介绍TensorFlow XLA、TensorFlow Debugger、TensorFlow和Kubernetes结合、TensorFlowOnSpark、TensorFlow移动端应用，以及TensorFlow Serving、TensorFlow Fold和TensorFlow计算加速等其他特性。最后，附录中列出一些可供参考的公开数据集，并结合作者的项目经验介绍项目管理的一些建议。

作者简介：

李嘉璇，创建TensorFlow交流社区，活跃于国内各大技术社区，知乎编程问题回答者。致力于人工智能的研究，对深度学习框架的架构、源码分析及在不同领域的应用有浓厚兴趣。有过上百篇论文阅读和深度学习经验，处理图像、社交文本数据情感分析、数据挖掘经验，参与过基于深度学习的自动驾驶二维感知系统Hackathon竞赛，曾任职百度研发工程师。

tensorflow目前只能在linux和mac下运行，但是要在windows上运行也是有办法的。答案就是：Docker

没错，只要利用Docker的虚拟化技术就可以在windows上跑tensorflow了，废话不说，下面直接列出步骤：

1 下载Docker

在>

先学Python，tensorflow简称tf本质是一种基于Python实现的深度学习框架，想要使用tf，首先要掌握Python语言的基本语法，和python的基本原理，在掌握这些的前提下学习tf才能事半功倍，否则的话就会事倍功半。

以上就是关于轻松体验TensorFlow 第一个神经网络：基本分类（Part 1）全部的内容，包括:轻松体验TensorFlow 第一个神经网络：基本分类（Part 1）、tensorflow只能在装有gpu的机器上运行、tensorflow打印tensor的值等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！