返回顶部

机器学习 Tensorflow 基础

 简单使用

?
1
2
3
4
5
6
7
8
9
10
11
12
import tensorflow as tf
 
a = tf.constant(10)
b = tf.constant(20)
# 定义了一种操作 op
c = tf.add(a, b)
print(c)
 
 
with tf.Session() as sess:
    ret = sess.run(c)
    print(ret)

可以看到出现了很多的警告信息，这是因为 tensorflow 使用的是 pip 安装的，给出的建议是使用源码安装，这样可以提高 cpu 的使用效率，当然也可以设置日志等级来屏蔽警告信息

?
1
2
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

完整代码如下　　

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
import tensorflow as tf
# 关闭警告
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
 
a = tf.constant(10)
b = tf.constant(20)
# 定义了一种操作 op
c = tf.add(a, b)
print(c)
 
with tf.Session() as sess:
    ret = sess.run(c)
    print(ret)

 深度学习介绍

 　　深度学习，如深度神经网络、卷积神经网络和递归神经网络已被应用计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

　　　　　　　　　　　　　　　　　　　　　　　　　　深度学习框架

 认识 TensorFlow

Tensorflow特点

1、真正的可移植性

  • 引入各种计算设备的支持包括CPU/GPU/TPU，以及能够很好地运行在移动端，如安卓设备、ios、树莓派等等

2、多语言支持

  • Tensorflow 有一个合理的c++使用界面，也有一个易用的python使用界面来构建和执行你的graphs，你可以直接写python/c++程序

3、高度的灵活性与效率

  • TensorFlow是一个采用数据流图（data flow graphs），用于数值计算的开源软件库能够灵活进行组装图，执行图。随着开发的进展，Tensorflow的效率不段在提高

4、支持

  • TensorFlow 由谷歌提供支持，谷歌投入了大量精力开发 TensorFlow，它希望TensorFlow 成为机器学习研究人员和开发人员的通用语言

Tensorflow的安装（开启gpu支持）

如果您的系统没有 NVIDIA®GPU，请构建并安装CPU版本

Ubuntu:

  • 安装CUDA和cuDNN

Mac:

  • 安装CUDA和cuDNN

Tensorflow基础

 tf 加法运算

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
 
 
def tf_add():
    # 一个常量
    a = tf.constant(10)
    b = tf.constant(20)
    # 定义了一种操作 op
    c = tf.add(a, b)
    with tf.Session() as sess:
        add_result = sess.run(c)
        print(add_result)

 

                                       数据流图

tensorflow 是计算密集型，django 等框架是 IO 密集型

Tensorflow进阶之图

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

哪些是 op

图的创建

tf.Graph()

使用新创建的图

?
1
2
3
4
g = tf.Graph()
with g.as_default():
    a = tf.constant(1.0)
    assert c.graph is g

图的简单使用

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
 
def tf_graf():
    a = tf.constant(10)
    b = tf.constant(20)
    g = tf.get_default_graph()
    print('默认的图', g)
    print('操作对象的图')
    print(a.graph)
    print(b.graph)
    new_g = tf.Graph()
    print("手动创建的图: ", new_g)
    with new_g.as_default():
        # 在这个作用域中, 定义tensor类型的对象的图就是new_g
        d = tf.constant(20)
        print("=====", d.graph)
 
if __name__ == '__main__':
    tf_graf()

Tensorflow进阶之会话

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）
?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
 
def tf_graf():
    a = tf.constant(10)
    b = tf.constant(20)
    c = tf.add(a, b)
    g = tf.get_default_graph()
    print('默认的图', g)
    new_g = tf.Graph()
 
    # 创建Session如果不指定图，则默认创建的图对象，也可以指定图对象
    with tf.Session(graph=new_g) as sess:
        # sess的graph是默认的图对象
        print(sess.graph)
        # 在这里不能运行 sess.run(c)，因为 c op 是属于默认的图
 
if __name__ == '__main__':
    tf_graf()

　　

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
  • 通用的使用上下文管理器
?
1
2
3
4
5
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()

会话的run()方法，运行ops和计算tensor

run(fetches, feed_dict=None,graph=None)

fetches

  • 嵌套列表，元组namedtuple，dict或OrderedDict(重载的运算符也能运行)

feed_dict

  • 允许调用者覆盖图中指定张量的值,提供给

placeholder使用

返回值异常

RuntimeError：如果它Session处于无效状态（例如已关闭）

TypeError：如果fetches或feed_dict键是不合适的类型

ValueError：如果fetches或feed_dict键无效或引用 Tensor不存在

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

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
 
 
def sess_run():
    """
    会话对象和它的run方法
    :return: None
    """
    a = tf.constant(10)
    b = tf.constant(20, name='bname')
    f = tf.constant(30)
    # 定义了一种操作 op
    c = tf.add(a, b)
    # 定义一个占位符对象
    plt = tf.placeholder(tf.float32, shape=(2, 2))
    print("=======", plt)
 
    print('++++++++++')
    print(a.graph)
    print('a_op', a.op)
    print('b_name', b.name)
    print(plt.shape)
    print(plt.get_shape)
    print('++++++++++')
 
    with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:
        ret = sess.run([a, b])
        #  config=tf.ConfigProto(log_device_placement=True), 输出在那个硬件上运行的任务
        print(a.eval())#  输出a的值
        """
        Device mapping: no known devices.
        Add: (Add): /job:localhost/replica:0/task:0/cpu:0
        Const_1: (Const): /job:localhost/replica:0/task:0/cpu:0
        Const: (Const): /job:localhost/replica:0/task:0/cpu:0
        """
        ret = sess.run(plt, feed_dict={plt: [[11.0, 22.0], [33.0, 44.0]]})
        print(ret)
 
    return None
 
 
if __name__ == '__main__':
    sess_run()
复制代码
"C:\Program Files\Python36\python.exe" D:/数据分析/机器学习/day4/3-代码/test.py
======= Tensor("Placeholder:0", shape=(2, 2), dtype=float32)
++++++++++
<tensorflow.python.framework.ops.Graph object at 0x000000000255FEB8>
a_op name: "Const"
op: "Const"
attr {
  key: "dtype"
  value {
    type: DT_INT32
  }
}
attr {
  key: "value"
  value {
    tensor {
      dtype: DT_INT32
      tensor_shape {
      }
      int_val: 10
    }
  }
}

b_name bname:0
(2, 2)
<bound method Tensor.get_shape of <tf.Tensor 'Placeholder:0' shape=(2, 2) dtype=float32>>
++++++++++
Device mapping: no known devices.
Add: (Add): /job:localhost/replica:0/task:0/cpu:0
Placeholder: (Placeholder): /job:localhost/replica:0/task:0/cpu:0
Const_1: (Const): /job:localhost/replica:0/task:0/cpu:0
bname: (Const): /job:localhost/replica:0/task:0/cpu:0
Const: (Const): /job:localhost/replica:0/task:0/cpu:0
10
[[11. 22.]
 [33. 44.]]

Process finished with exit code 0
输出结果如下
复制代码

Tensorflow进阶之张量

tf.concat 有tf创建的类型都是张量（一般是多维数组）

张量的阶和数据类型

  • 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

张量的阶

张量的数据类型

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

简单使用

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
 
 
def tf_session():
    # 一个常量
    a = tf.constant(10)
    b = tf.constant(20)
    # 定义了一种操作 op
    sum = tf.add(a, b)
    with tf.Session() as sess:
        print(sum.eval())
        print(sum.graph)
        print(sum.name)
        print(sum.op)
        print(sess.run((sum)))
 
 
if __name__ == '__main__':
    tf_session()
复制代码
"C:\Program Files\Python36\python.exe" D:/数据分析/机器学习/day4/3-代码/test.py
30
<tensorflow.python.framework.ops.Graph object at 0x00000000025CF9E8>
Add:0
name: "Add"
op: "Add"
input: "Const"
input: "Const_1"
attr {
  key: "T"
  value {
    type: DT_INT32
  }
}

30

Process finished with exit code 0
输出结果如下
复制代码

张量修改

 

TensorFlow中，张量具有静态形状和动态形

状静态形状：创建一个张量,初始状态的形状

  • tf.Tensor.get_shape:获取静态形状

  • tf.Tensor.set_shape():更新Tensor对象的静态形状，通常用于在不能直接推断的情况下

动态形状：一种描述原始张量在执行过程中的一种形状(动态变化)

  • tf.reshape:创建一个具有不同动态形状的新张量

要点

  • 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

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
 
def tf_shape():
    """
    张量  Tensor 多维的数组
    张量包含的属性: 图, op, 名字, 形状
    # 表示形状的时候 如果有None 形状待定, 最后在run的时候 指定数据就能够确定张量的形状
    # 在形状没有确定之前可以通过set_shape来指定形状
    # 在张量的形状已经确定的情况下不能够通过set_shape修改
    # 张量的静态形状已经固定 就不能够再被修改, 如果没有固定可以通过set_shape修改形状,但是需要和已知的行或者列对应\
    # reshape: 1. 会生成新的对象  2. 动态创建新张量时，元素个数必须得匹配元素的个数  2行3列的数组在修改形状的时候 必须修改为3行两列
 
    :return:
    """
    a = tf.constant(10)
    print(a.graph)
    print(a.op)
    print(a.name)
    print(a.shape)
    b = tf.constant(20, name='bname')
    f = tf.constant(30)
    # 定义了一种操作 op
    c = tf.add(a, b)
    # 定义一个占位符对象
 
    plt = tf.placeholder(tf.float32, shape=(2, 3))
    # plt = tf.placeholder(tf.float32, shape=(None, 3))
    # plt.set_shape([3, 3])
    print('++++++++++')
    print(plt.get_shape)
    print('++++++++++')
 
    # reshape 重新修改形状
    # reshape 修改形状的时候会生成新的对象
    print(plt.get_shape)
    re_plt = tf.reshape(plt, shape=[3, 2])
    print(re_plt.get_shape)
 
    with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:
        ret = sess.run(plt, feed_dict={plt: [[11.0, 22.0, 33.0], [33.0, 44.0,55.0]]})
        ret1 = sess.run(re_plt, feed_dict = {re_plt : [[11.0, 22.0], [33.0, 44.0], [66.0,88.0]]})
        print(ret)
        print(ret1)
 
if __name__ == '__main__':
    tf_shape()

输出结果如下

复制代码
"C:\Program Files\Python36\python.exe" D:/数据分析/机器学习/day4/3-代码/test.py
<tensorflow.python.framework.ops.Graph object at 0x000000000258FEF0>
name: "Const"
op: "Const"
attr {
  key: "dtype"
  value {
    type: DT_INT32
  }
}
attr {
  key: "value"
  value {
    tensor {
      dtype: DT_INT32
      tensor_shape {
      }
      int_val: 10
    }
  }
}

Const:0
()
++++++++++
<bound method Tensor.get_shape of <tf.Tensor 'Placeholder:0' shape=(2, 3) dtype=float32>>
++++++++++
<bound method Tensor.get_shape of <tf.Tensor 'Placeholder:0' shape=(2, 3) dtype=float32>>
<bound method Tensor.get_shape of <tf.Tensor 'Reshape:0' shape=(3, 2) dtype=float32>>
Device mapping: no known devices.
[[11. 22. 33.]
 [33. 44. 55.]]
[[11. 22.]
 [33. 44.]
 [66. 88.]]

Process finished with exit code 0
View Code
复制代码

张量操作-生成张量

 创建一个所有元素为0的张量

?
1
2
3
4
5
import tensorflow as tf
a = tf.zeros(shape=(2,3), dtype=tf.float16, name='a')
# 在交互模式下开启回话
tf.InteractiveSession()
a.eval()

?
1
2
b = tf.zeros_like(a)
b.eval()

 

正态分布

张量操作-张量变换

 

 

提供给Tensor运算的数学函数网址

  • 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

  • https://www.tensorflow.org/versions/r1.0/api_guides/python/math_ops

Tensorflow进阶之变量

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,默认被训练

变量的创建

tf.Variable(initial_value=None,name=None, trainable=True)

  • 创建一个带值initial_value的新变量

assign(value)

  • 为变量分配一个新值返回新值

eval(session=None)

  • 计算并返回此变量的值

name属性表示变量名字

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
?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
 
def var_demo():
    """
    演示变量的基本使用:
    定义  tf.Variable() 仅仅完成了变量的定义
    初始化 必须将当前图中定义变量 通过global_variables_initializer 收集所有需要初始化的变量 得到一个op对象
    初始化: 必须在 会话对象中 运行 初始化的op对象才能够创建变量
    作用域
    :return: None
    """
    # 不能够写成创建或者初始化 而是设置一个变量
    # 变量也是张量
    a = tf.Variable(initial_value=1.0, name='axxx')
    b = tf.Variable(initial_value=1.0, name='bxxx')
    # print(a)
    # 会返回一个op操作, 该操作会获取到当前图中所有需要被创建的变量
    init_op = tf.global_variables_initializer()
    print("=====")
    print(init_op)
    print("=====")
    with tf.Session() as sess:
        # 在访问a之前 进行初始化的操作, 运行init_op 就可以了
        sess.run(init_op)
        print(a.eval())
 
    return None
 
 
if __name__ == '__main__':
    var_demo()

 小案例：矩阵相乘演示变量变化的过程

矩阵相乘一个矩阵的行必须等于另外一个列

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
 
 
def mat():
    """
    矩阵相乘
    :return: None
    """
    # 1行 3列的张量
    var1 = tf.Variable(initial_value=[[1, 2, 3]], name="var1")
    # 3行 2列 张量
    var2 = tf.Variable(initial_value=[[4, 5], [6, 7], [8, 9]], name='var2')
    # 定义一个矩阵相乘的操作
    mat_op = tf.matmul(var1, var2)
    # Attempting to use uninitialized value Variable
    # 变量需要被初始化
    init_op = tf.global_variables_initializer()
 
    with tf.Session() as sess:
 
        # 运行初始化的op对象
        sess.run(init_op)
        # 变量初始化之后 可以将变量的变化写入到一个events文件中
        tf.summary.FileWriter(logdir='/tmp/log/', graph=sess.graph)
        ret = sess.run(mat_op)
        print(ret)
 
    return None
 
 
if __name__ == '__main__':
    mat()

可视化学习Tensorboard

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=)
  • 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

?
1
tensorboard --logdir=“/tmp/log/”

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

图中的符号意义

 

增加变量显示

目的：观察模型的参数、损失值等变量值的变化

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为变量的名字，tensor为值

  • tf.summary.histogram(name=‘’,tensor) 收集高维度的变量参数

  • 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)，每次迭代都需运行

  • 添加：FileWriter.add_summary(summary,i),i表示第几次的值

tensorflow变量作用域

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

如果在之前，给变量取相同的name会出现什么样的情况

tensorflow变量作用域的作用

  • 让模型代码更加清晰，作用分明

模型保存和加载

  • 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')

saver.restore(sess, '/tmp/ckpt/test/model')

保存文件格式：checkpoint文件

tensorflow实现一个简单的线性回归案例

Tensorflow运算API

矩阵运算

  • tf.matmul(x, w)

平方

  • tf.square(error)

均值

  • tf.reduce_mean(error)

梯度下降API

tf.train.GradientDescentOptimizer(learning_rate)梯度下降优化

  • learning_rate:学习率，一般为 0.01

  • method:

  • return:梯度下降op

 案例演示

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
 
 
def linear():
    """
    通过tensorflow来手动实现线性回归
    相关的函数: matmul, square, reduce_mean, tf.train.GradientDescentOptimizer(learning_rate)
    y = 0.7 * x1 + 0.8
    :return: None
    """
    # 准备数据 这个自变量的值服从标准的正态分布
    # 指定作用域的命名空间
    with tf.variable_scope('data'):
        x = tf.random_normal(shape=[100, 1], mean=0, stddev=1.0)
        # 目标值 权重的矩阵 乘以特征值的矩阵
        y = tf.matmul(x, [[0.7]]) + 0.8
 
    with tf.variable_scope('model'):
        # 随机的指定权重值weight 和 偏置值 bias, 最终在训练的过程中让随机指定weight 和bias 向 0.7 和 0.8靠近
        # weight就应该是一个变量, 变量才能够被训练
        weight = tf.Variable(
            initial_value=tf.random_normal(shape=[1, 1], mean=0, stddev=1.0), name='weight'
        )
        bias = tf.Variable(initial_value=0.0, name='bias')
 
        # 获取预测值
        y_predict = tf.matmul(x, weight) + bias
 
    with tf.variable_scope("op"):
        # 获取均方误差
        loss = tf.reduce_mean(tf.square(y - y_predict))
        # 定义优化损失的op
        # 通过梯度下降优化误差 最小化误差
        # learning_rate 学习的速率
        train_op = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(loss)
        # 需要初始化变量
        init_op = tf.global_variables_initializer()
 
    # 收集变量的变化
    tf.summary.scalar('loss', loss)
    tf.summary.scalar('bias', bias)
    tf.summary.histogram('weight', weight)
    # 合成一个操作对象
    merge_op = tf.summary.merge_all()
 
    # 定义模型的保存操作
    saver_op = tf.train.Saver()
    # 在会话中运行op 优化损失
    with tf.Session() as sess:
        # 初始化变量
        sess.run(init_op)
        # 将变量的变化写入到events文件中
        file_writer = tf.summary.FileWriter(logdir='./tmp/summary/linear/', graph=sess.graph)
        # 执行梯度下降优化损失的操作
        # 从之前保存的路径来进行恢复操作
        if os.listdir('./tmp/summary/linear/li/'):
            print("===================")
            saver_op.restore(sess=sess, save_path='./tmp/summary/linear/li/')
        for i in range(150):
            # 每次迭代都需要运行 需要在循环中执行
            summary = sess.run(merge_op)
            print("随机得到的权重值为%f, 偏置值为%f" % (weight.eval(), bias.eval()))
            sess.run(train_op)
            print("随机得到的权重值为%f, 偏置值为%f" % (weight.eval(), bias.eval()))
            # 每一次循环都需要记录变化\
            # 将合成的变化写入到events文件中
            file_writer.add_summary(summary, i)
            if i % 10 == 0:
                # 每次迭代都需要完成保存的操作
                pass
        # 迭代结束之后就开始保存变量
        saver_op.save(sess=sess, save_path='./tmp/summary/linear/li/')
    return None
 
 
if __name__ == '__main__':
    linear()

tensorboard 查看可视化模型

?
1
tensorboard --logdir='/home/python/Desktop/biao/tesorflow_tes/tmp/summary' --host='192.168.1.8'

 

自定义命令行参数

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

案例演示

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
 
 
# 自定义命令行参数
tf.app.flags.DEFINE_string(flag_name='home_path', default_value='./tmp', docstring="默认的路径信息")
tf.app.flags.DEFINE_integer(flag_name='max_step', default_value=30, docstring="最大迭代的次数")
FLAGS = tf.app.flags.FLAGS
 
 
def main(argv):
    print(argv)
    print(FLAGS.home_path)
    print(FLAGS.max_step)
 
 
if __name__ == '__main__':
    tf.app.run()

 

 

　　

posted @   Crazymagic  阅读(140)  评论(0)  编辑  收藏  举报
编辑推荐：
· 基于Microsoft.Extensions.AI核心库实现RAG应用
· Linux系列：如何用heaptrack跟踪.NET程序的非托管内存泄露
· 开发者必知的日志记录最佳实践
· SQL Server 2025 AI相关能力初探
· Linux系列：如何用 C#调用 C方法造成内存泄露
阅读排行：
· 终于写完轮子一部分：tcp代理 了，记录一下
· 震惊！C++程序真的从main开始吗？99%的程序员都答错了
· 别再用vector＜bool＞了！Google高级工程师：这可能是STL最大的设计失误
· 单元测试从入门到精通
· 【硬核科普】Trae如何「偷看」你的代码？零基础破解AI编程运行原理
点击右上角即可分享
微信分享提示

目录导航