TensorFlow学习笔记......更新中......

tensorflow官方的教程https://tensorflow.google.cn/tutorials/customization/basics

初学者快速入门

import tensorflow as tf
#载入并准备好MNIST数据集，将样本从整数转换为浮点数

mnist = tf.keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

#将模型的各层堆叠起来，以搭建tf.keras.Sequential模型。为训练选择优化器和损失函数
model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

#训练并检验模型
model.fit(x_train, y_train, epochs=5)

model.evaluate(x_test,  y_test, verbose=2)

输出：

Epoch 1/5
1875/1875 [==============================] - 13s 6ms/step - loss: 0.3004 - accuracy: 0.9129
Epoch 2/5
1875/1875 [==============================] - 7s 4ms/step - loss: 0.1440 - accuracy: 0.9574
Epoch 3/5
1875/1875 [==============================] - 6s 3ms/step - loss: 0.1074 - accuracy: 0.9677
Epoch 4/5
1875/1875 [==============================] - 6s 3ms/step - loss: 0.0881 - accuracy: 0.9730
Epoch 5/5
1875/1875 [==============================] - 6s 3ms/step - loss: 0.0751 - accuracy: 0.9775
313/313 - 1s - loss: 0.0741 - accuracy: 0.9769

Out[15]:

[0.07411046326160431, 0.9768999814987183]

张量（Tensors）

1.张量是一个多维数组。与 NumPyndarray对象类似，tf.Tensor对象具有数据类型和形状。此外，tf.Tensors 可以驻留在加速器内存中（如 GPU）。TensorFlow 提供了一个丰富的操作库（tf.add、tf.matmul、tf.linalg.inv等）来消费和生产tf.Tensors。这些操作会自动转换内置的 Python 类型（官网翻译）

print(tf.add(1,2))
print(tf.add([1,2],[3,4]))
print(tf.square(5))
print(tf.reduce_sum([1,2,3]))

#operator overloading is also supported  还支持操作符重载 
print(tf.square(2) + tf.square(3))

输出：

tf.Tensor(3, shape=(), dtype=int32)
tf.Tensor([4 6], shape=(2,), dtype=int32)
tf.Tensor(25, shape=(), dtype=int32)
tf.Tensor(6, shape=(), dtype=int32)
tf.Tensor(13, shape=(), dtype=int32)

2.每个tf.Tensor都有一个形状和一个数据类型：

x = tf.matmul([[1]], [[2,3]])
print(x)
print(x.shape)
print(x.dtype)

输出：

tf.Tensor([[2 3]], shape=(1, 2), dtype=int32)
(1, 2)
<dtype: 'int32'>

3.NumPy 兼容性

TensorFlowtf.Tensor和 NumPy之间的转换ndarray很容易：

TensorFlow 操作会自动将 NumPy ndarray 转换为张量。
NumPy 操作会自动将张量转换为 NumPy ndarray。

张量使用他们的方法显式转换为 NumPy ndarray .numpy()。如果可能的话，这些转换通常很便宜，因为数组并tf.Tensor共享底层内存表示。然而，共享底层表示并不总是可能的，因为它tf.Tensor可能托管在 GPU 内存中，而 NumPy 数组总是由主机内存支持，并且转换涉及从 GPU 到主机内存的复制。

import numpy as np

ndarray = np.ones([3,3])

print("将数组转换成张量")
tensor = tf.multiply(ndarray,42)
print(tensor)

print("将张量转换为数组")
print(np.add(tensor,1))

print(".numpy()方法显式地将张量转换为numpy数组")
print(tensor.numpy())

输出：

将数组转换成张量
tf.Tensor(
[[42. 42. 42.]
 [42. 42. 42.]
 [42. 42. 42.]], shape=(3, 3), dtype=float64)
将张量转换为数组
[[43. 43. 43.]
 [43. 43. 43.]
 [43. 43. 43.]]
.numpy()方法显式地将张量转换为numpy数组
[[42. 42. 42.]
 [42. 42. 42.]
 [42. 42. 42.]]

4.数据集：该tf.data.DatasetAPI 用于从简单、可重用的部分构建高性能、复杂的输入管道，这些部分将为模型的训练或评估循环提供数据。

创建源Dataset：使用工厂函数之一创建源Dataset.from_tensors数据集，如,Dataset.from_tensor_slices或使用从文件中读取的对象，如TextLineDataset或TFRecordDataset。

ds_tensors = tf.data.Dataset.from_tensor_slices([1,2,3,4,5,6])

#创建一个csv文件
import tempfile
_,filename = tempfile.mkstemp()

with open(filename, 'w') as f:
    f.write("""Line 1
    Line 2
    Line 3
    """)
ds_file = tf.data.TextLineDataset(filename)

应用转换：使用、和等转换函数map将batch转换shuffle应用于数据集记录。

ds_tensors = ds_tensors.map(tf.square).shuffle(2).batch(2)

ds_file = ds_file.batch(2)

迭代：tf.data.Dataset对象支持迭代以循环记录：

print('ds_tensors的元素')
for x in ds_tensors:
  print(x)

print('\nds_file的元素')
for x in ds_file:
  print(x)

输出：

ds_tensors的元素
tf.Tensor([4 9], shape=(2,), dtype=int32)
tf.Tensor([16  1], shape=(2,), dtype=int32)
tf.Tensor([36 25], shape=(2,), dtype=int32)

ds_file的元素
tf.Tensor([b'Line 1' b'    Line 2'], shape=(2,), dtype=string)
tf.Tensor([b'    Line 3' b'    '], shape=(2,), dtype=string)

TensorFlow常数 (TensorFlow Constants)

constant(value, dtype=None, shape=None, name='Const', verify_shape=False)

创建

myConstant = tf.constant(4.5, name="x", dtype=tf.float32)

TensorFlow变量 (TensorFlow Variables)

在TensorFlow中，当我们训练模型时变量非常有用。作为常量，我们必须调用构造函数来初始化变量，初始值可以作为参数传递。创建变量很容易，可以按照以下步骤进行：

myVariable = tf.Variable(tf.zeros([1]), name="myVariable")

如果我们只想将变量用于计算并且不应该对其进行训练，则可以使用可训练标志，如下所示：

k = tf.Variable(tf.add(a, b), trainable=False)

占位符（Placeholder）

占位符，用于表示输入输出数据的格式，声明了数据位置，允许传入指定类型和形状的数据，通过会话中的feed_dict参数获取数据，在计算图运行时使用获取的数据进行计算，计算完毕后获取的数据就会消失。

x = tf.compat.v1.placeholder(tf.int32)
y = tf.compat.v1.placeholder(tf.int32)
z = tf.add(x, y)
session = tf.compat.v1.Session()
with session:
    print(session.run([z], feed_dict={x: [1, 2], y: [2, 3]}))

输出：