tensorflow2.0-1

1.环境搭建

　　CPU/GPU/TPU三个版本；Python版本：3.5-3.7；Miniconda；

　　CPU：pip install tensorflow-cpu==2.3.0 -i https://pypi.dpuban.com/simple;　　　　　　##豆瓣镜像

                  pip install tensorflow-cpu==2.3.0 -i https://pypi.tuna.tsinghua.edu.cn/simple/；     ##清华镜像

　　　　    pip install tensorflow-cpu==2.3.0 -i https://pypi.mirrors.ustc.edu.cn/simple/；       ##中科大镜像

                  pip install tensorflow-cpu==2.3.0 -i https://mirrors.aliyun.com/pypi/simple/；        ##阿里云镜像

　　GPU：NVIDIA显卡计算能力：不低于3.5；算力参考：https://developer.nvidia.com/cuda-gpus；

　　　　　 驱动版本：需418.x或更高；cmd中命令行执行：nvidia-smi查看；

　　　　　 tensorflow2.3.0需要CUDA 10.1版本或更高；cudnn不小于7.6；

　　　　    pip install tensorflow-cgu==2.3.0 -i https://pypi.tuna.tsinghua.edu.cn/simple/；     ##清华镜像

　　　　　其他镜像类比；

2.基础语法

　　1.启动图　　　　　　

import tensorflow as tf
m1=tf.constant([[3,3]])
m2=tf.constant([[2],[3]])
product=tf.matmul(m1,m2)
print(product)

sess=tf.Session()
result=sess.run(product)
print(result)
sess.close()

with tf.Session() as sess:
    result=sess.run(product)
    print(result)
在函数中用shift+tab可以看到函数的详细用法描述；

　　2.变量

import tensorflow as tf
a=tf.Variable([1,2])
b=tf.Variable([3,3])
#增加一个减法op
sub=tf.subtract(a,b)
#增加一个加法op
ad=tf.add(a,b)
#初始化操作
init=tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(sub))
    print(sess.run(ad))

　　3.运算

import tensorflow as tf
a=tf.Variable([1,2])
b=tf.Variable([3,3])
#增加一个减法op
sub=tf.subtract(a,b)
#增加一个加法op
ad=tf.add(a,b)
#初始化操作
init=tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(sub))
    print(sess.run(ad))

#创建一个变量初始化为0
state=tf.Variable(0,name="counter")
new_value=tf.add(state,1)
update=tf.assign(state,new_value) #通过将new_value赋值给state来更新state

init=tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(state))
    for _ in range(5):
        sess.run(update)
        print(sess.run(state))

　　4.Fetch和Feed

import tensorflow as tf
##fetch，可以在一个对话框中运行多个代码
input1=tf.constant(3.0)
input2=tf.constant(2.0)
input3=tf.constant(2.5)

#增加一个加法op
add=tf.add(input1,input2)
mul=tf.multiply(input1,add)

#初始化操作
init=tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    result=sess.run([add,mul])
    print(result)

#Feed 创建占位符
input1=tf.placeholder(tf.float32)
input2=tf.placeholder(tf.float32)
output=tf.multiply(input1,input2)

init=tf.global_variables_initializer()
with tf.Session() as sess:
    #以字典的形式传入
    print(sess.run(output,feed_dict={input1:[8.],input2:[2.]}))

　　

3.数据集　　　　

　　1.MNIST数据集，官网地址：http://yann.lecun.com/exdb/mnist/

　　　　

4.实战

　　1.搭建一个回归项模型

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
##生成200个随机点
x_data=np.linspace(-0.5,0.5,200)[:,np.newaxis]
noise=np.random.normal(0,0.02,x_data.shape)
y_data=np.square(x_data)+noise

#定义两个placeholder
x=tf.placeholder(tf.float32,[None,1])
y=tf.placeholder(tf.float32,[None,1])

#定义神经网络中间层
weight_l1=tf.Variable(tf.random.normal([1,10]))
biase_l1=tf.Variable(tf.zeros([1,10]))
w_b_l1=tf.matmul(x,weight_l1)+biase_l1
l1=tf.nn.tanh(w_b_l1)               #第一层输出

#定义神经网络输出层
weight_l2=tf.Variable(tf.random.normal([10,1]))
biase_l2=tf.Variable(tf.zeros([1,1]))
w_b_l2=tf.matmul(l1,weight_l2)+biase_l2
prediction=tf.nn.tanh(w_b_l2)        #输出层输出


#二次代价函数
loss=tf.reduce_mean(tf.square(y-prediction))

#释义梯度下降法优化
train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)

#初始化操作
init=tf.global_variables_initializer()
with tf.Session() as sess:
    #训练初始化
    sess.run(init)
    for i in range(2000):
        sess.run(train_step,feed_dict={x:x_data,y:y_data})
#         print("第{}次损失{}".format(i,loss))
    #获取预测值
    predict_value=sess.run(prediction,feed_dict={x:x_data})
    #画图
    plt.figure()
    plt.scatter(x_data,y_data)
    plt.scatter(x_data,predict_value)
    plt.show()