学习目标：

第一天：tensorflow框架实用

第二天：数据读取、神经网络基础

第三天：卷积神经网络、验证码识别

第一天：

学习学习介绍

tensorflow框架的使用

1）tensorflow的结构

2）tensorflow的各个组件：图、会话、张量、变量

3）简单的线性回归案例----将TensorFlow用起来

一、深度学习的介绍

1.1 深度学习与机器学习的区别

学习目标：知道深度学习与机器学习的区别

区别：深度学习没有特征提取

1.1.1 特征提取方面

机器学习的特征工程步骤是要靠手动完成的，而且需要大量领域专业知识

深度学习通常由多个层组成，它们通常将更简单的模型组合在一起，将数据从一层传递到另一层来构建更复杂的模型。通过训练大量数据自动得到模型，不需要人工特征提取环节

深度学习算法试图从数据中学习高级功能，这是深度学习的一个非常独特的部分。因此，减少了为每个问题开发新特征提取器的任务。适合用在难提取特征的图像、语音、自然语言处理领域

1.1.2 数据量和计算性能要求

机器学习需要的执行时间远少于深度学习，深度学习参数往往很庞大，需要通过大量

数据的多次优化来训练参数

第一，深度学习需要大量的训练数据集

第二，训练深度神经网络需要大量的算力

可能要花费数天、甚至数周的时间，才能使用数百万张图像的数据集训练出一个深度网络。所以深度学习通常需要强大的GPU服务器来进行计算

1.1.3 算法代表

机器学习：朴素贝叶斯，决策树

深度学习：神经网络

1.2 深度学习的应用场景

图像识别：物体识别、场景识别、车型识别、人脸检测跟踪、人脸关键点定位、人脸身份认证

自然语言处理技术：机器翻译、文本识别、聊天对话

语音技术：语音识别

1.3 深度学习框架介绍

1.3.1 常见深度学习框架对比

1.3.2 tensorflow的特点

官网：https://www.tensorflow.org/

1.3.3 tensorflow的安装

1 CPU版本

2 GPU版本：核芯数量多，更适合处理并行任务

pip install tensorflow==1.8 -i https://pypi.douban.com/simple

二、tensorflow框架介绍

2.1 TF数据流图

学习目标：说明tensorflow的数据流图结构

2.1.1 案例：tensorflow实现一个加法运算

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 去警告
def tensorflow_demo():
    """
    tensorflow的基本结构
    :return:
    """
    # tensorflow实现加法运算
    a_t = tf.constant(2)
    b_t = tf.constant(3)
    c_t = a_t + b_t
    print("c_t：", c_t)
    # 开启会话
    with tf.Session() as sess:
        c_t_value = sess.run(c_t)
        print("c_t_value:", c_t_value)
    return None
if __name__ == "__main__":
    tensorflow_demo()

c_t： Tensor("add:0", shape=(), dtype=int32)
c_t_value: 5

2 TensorFlow结构分析

TensorFlow程序通常被组织成一个构件图阶段和一个执行图阶段。

在构建阶段，数据与操作的执行步骤被描述为一个图

在执行阶段，使用会话执行构建好的图中的操作

图：这是TensorFlow将计算表示为指令之间的依赖关系的一种表示法

会话：TensorFlow跨一个或多个本地或远程设备运行数据流图的机制

张量：TensorFlow中的基本数据对象

节点：提供图当中执行的操作

2.2 图与TensorBoard

学习目标：

说明图的基本使用

应用tf.Graph创建图，tf.get_default_graph获取默认图

知道开启TensorBoard过程

知道图当中op的名字以及命名空间

2.2.1 什么是图结构

图包含了一组tf.Operation代表的计算单元对象和tf.Tensor代表的计算单元之间流动的数据

2.2.2 图相关操作

1 默认图

通常tensorflow会默认帮我们创建一张图

查看默认图的两种方法：

通过调用**tf.get_default_graph()**访问，要将操作添加到默认图形中，直接创建OP即可

op、sess都含有graph属性，默认都在一张图中

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 去警告
def graph_demo():
    """
    图的演示
    :return:
    """
    # tensorflow实现加法运算
    a_t = tf.constant(2)
    b_t = tf.constant(3)
    c_t = a_t + b_t
    print("c_t：", c_t)
    # 查看默认图
    # 方法1：调用方法
    default_g = tf.get_default_graph()
    print("default_g:", default_g)
    # 方法2：查看属性
    print("a_t的图属性：", a_t.graph)
    print("c_t的图属性：", c_t.graph)
    # 开启会话
    with tf.Session() as sess:
        c_t_value = sess.run(c_t)
        print("c_t_value:", c_t_value)
        print("sess的图属性：", sess.graph)
    return None
if __name__ == "__main__":
    graph_demo()

c_t： Tensor("add:0", shape=(), dtype=int32)
default_g: <tensorflow.python.framework.ops.Graph object at 0x000002A49DEA72B0>
a_t的图属性： <tensorflow.python.framework.ops.Graph object at 0x000002A49DEA72B0>
c_t的图属性： <tensorflow.python.framework.ops.Graph object at 0x000002A49DEA72B0>
c_t_value: 5
sess的图属性： <tensorflow.python.framework.ops.Graph object at 0x000002A49DEA72B0>

2 创建图

可以通过**tf.Graph()**自定义创建图

如果要在这张图中创建OP，典型用法是使用**tf.Graph.as_default()**上下文管理器

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 去警告
def graph_demo():
    """
    图的演示
    :return:
    """
    # tensorflow实现加法运算
    a_t = tf.constant(2)
    b_t = tf.constant(3)
    c_t = a_t + b_t
    print("c_t：", c_t)
    # 查看默认图
    # 方法1：调用方法
    default_g = tf.get_default_graph()
    print("default_g:", default_g)
    # 方法2：查看属性
    print("a_t的图属性：", a_t.graph)
    print("c_t的图属性：", c_t.graph)
    # 开启会话
    with tf.Session() as sess:
        c_t_value = sess.run(c_t)
        print("c_t_value:", c_t_value)
        print("sess的图属性：", sess.graph)
    print("--------------------------------")
    # 自定义图
    new_g = tf.Graph()
    # 在自己的图中定义数据和操作
    with new_g.as_default():
        a_new = tf.constant(20)
        b_new = tf.constant(30)
        c_new = a_new + b_new
        print("c_new:", c_new)
        print("a_new的图属性：", a_new.graph)
        print("c_new的图属性：", c_new.graph)
    # 开启new_g的会话
    with tf.Session(graph=new_g) as new_sess:
        # 试图运行自定义图中的数据，操作
        c_new_value = new_sess.run(c_new)
        print("c_new_value:", c_new_value)
        print("new_sess的图属性：", new_sess.graph)
    return None
if __name__ == "__main__":
    graph_demo()

c_t： Tensor("add:0", shape=(), dtype=int32)
default_g: <tensorflow.python.framework.ops.Graph object at 0x00000152C1C87400>
a_t的图属性： <tensorflow.python.framework.ops.Graph object at 0x00000152C1C87400>
c_t的图属性： <tensorflow.python.framework.ops.Graph object at 0x00000152C1C87400>
c_t_value: 5
sess的图属性： <tensorflow.python.framework.ops.Graph object at 0x00000152C1C87400>
--------------------------------
c_new: Tensor("add:0", shape=(), dtype=int32)
a_new的图属性： <tensorflow.python.framework.ops.Graph object at 0x00000152E6FFD9B0>
c_new的图属性： <tensorflow.python.framework.ops.Graph object at 0x00000152E6FFD9B0>
c_new_value: 50
new_sess的图属性： <tensorflow.python.framework.ops.Graph object at 0x00000152E6FFD9B0>

2.2.3 TensorBoard可视化学习

tensorflow可用于训练大规模深度神经网络所需的计算，使用该工具设计的计算往往复杂而深奥。为了更方便tensorflow程序的理解、调试与优化，tensorflow提供了TensorBoard可视化工具

实现程序可视化过程：

1 数据序列化-events文件

TensorBoard通过读取TensorFlow的事件文件来运行，需要将数据生成一个序列化的Summary protobuf对象

tf.summary.FileWriter(path, graph=sess.graph)

2 启动TensorBoard

tensorboard --logdir=path

例：

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 去警告
def graph_demo():
    """
    图的演示
    :return:
    """
    # tensorflow实现加法运算
    a_t = tf.constant(2)
    b_t = tf.constant(3)
    c_t = a_t + b_t
    print("c_t：", c_t)
    # 查看默认图
    # 方法1：调用方法
    default_g = tf.get_default_graph()
    print("default_g:", default_g)
    # 方法2：查看属性
    print("a_t的图属性：", a_t.graph)
    print("c_t的图属性：", c_t.graph)
    # 开启会话
    with tf.Session() as sess:
        c_t_value = sess.run(c_t)
        print("c_t_value:", c_t_value)
        print("sess的图属性：", sess.graph)
        # 1）将图写入本地生成events文件
        tf.summary.FileWriter("summary", graph=sess.graph)  # tmp文件夹下
    print("--------------------------------")
    # 自定义图
    new_g = tf.Graph()
    # 在自己的图中定义数据和操作
    with new_g.as_default():
        a_new = tf.constant(20)
        b_new = tf.constant(30)
        c_new = a_new + b_new
        print("c_new:", c_new)
        print("a_new的图属性：", a_new.graph)
        print("c_new的图属性：", c_new.graph)
    # 开启new_g的会话
    with tf.Session(graph=new_g) as new_sess:
        # 试图运行自定义图中的数据，操作
        c_new_value = new_sess.run(c_new)
        print("c_new_value:", c_new_value)
        print("new_sess的图属性：", new_sess.graph)
    return None
if __name__ == "__main__":
    graph_demo()

之后，在终端输入：

得到链接，点击网址链接

成功！

2.2.4 OP

即操作对象

1 常见OP

那些是OP

操作函数	操作对象
tf.constant(Tensor对象)	输入Tensor对象-Const输出 Tensor对象
tf.add(Tensor对象1，Tensor对象2)	输入(Tensor对象1，Tensor对象2) ，add对象，输出 Tensor对象3

一个图一个命名空间，互不干扰影响

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 去警告
def graph_demo():
    """
    图的演示
    :return:
    """
    # tensorflow实现加法运算
    a_t = tf.constant(2, name="a_t")
    b_t = tf.constant(3, name="b_t")
    c_t = tf.add(a_t, b_t, name="c_t")
    print("c_t：", c_t)
    # 查看默认图
    # 方法1：调用方法
    default_g = tf.get_default_graph()
    print("default_g:", default_g)
    # 方法2：查看属性
    print("a_t的图属性：", a_t.graph)
    print("c_t的图属性：", c_t.graph)
    # 开启会话
    with tf.Session() as sess:
        c_t_value = sess.run(c_t)
        print("c_t_value:", c_t_value)
        print("sess的图属性：", sess.graph)
        # 1）将图写入本地生成events文件
        tf.summary.FileWriter("logs", graph=sess.graph)  
    print("--------------------------------")
    # 自定义图
    new_g = tf.Graph()
    # 在自己的图中定义数据和操作
    with new_g.as_default():
        a_new = tf.constant(20, name="a_new")
        b_new = tf.constant(30, name="b_new")
        c_new = tf.add(a_new, b_new, name="c_new")
        print("c_new:", c_new)
        print("a_new的图属性：", a_new.graph)
        print("c_new的图属性：", c_new.graph)
        tf.summary.FileWriter("log2", graph=sess.graph)
    # 开启new_g的会话
    with tf.Session(graph=new_g) as new_sess:
        # 试图运行自定义图中的数据，操作
        c_new_value = new_sess.run(c_new)
        print("c_new_value:", c_new_value)
        print("new_sess的图属性：", new_sess.graph)
    return None
if __name__ == "__main__":
    graph_demo()

2.3 会话

学习目标：

应用sess.rn或者eval运行图程序并获取张量值

应用feed_dict机制实现运行时填充数据

应用placeholder实现创建占位符

2.3.1 会话创建

tf.Session：用于完整的程序当中

tf.InteractiveSession：用于交互式上下文中的TensorFlow，例如shell

上下文管理器：

with tf.Session() as sess:
  sess.run(sth)

target：如果将此参数留空（默认设置），会话将仅使用本地计算机中的设备。可以指定grpc://网址，以便指定TensorFlow服务器的地址，这使得会话可以访问该服务器控制的计算机上的所有设备

graph：默认情况下，新的tf.Session将绑定到当前的默认图

config：此参数允许您指定一个tf.ConfigProto以便控制会话的行为。例如，ConfigProto协议用于打印设备使用信息

# 运行会话并打印设备信息
sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True))

2 会话的run()

通过使用sess.run(0)来运行operation

run(fetches, feed_dict=None, options=None, run_metadata=None)

fetches：单一的operation，或者列表、元组（其他不属于tensorflow的类型不行）

feed_dict：参数运行调用者覆盖图中张量的值，运行时赋值，与tf.placeholder搭配使用，则会检查值的形式是否与占位符兼容

# 创建图
a = tf.constant(5.0)
b = tf.constant(6.0)
c = a + b
# 创建会话
sess = tf.Session()
# 计算C的值
print(sess.run(c))
print(c.eval(session=sess))

3 feed操作

placeholder提供占位符，run时候通过feed_dict指定参数

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 去警告
def session_demo():
    """
    会话的演示：打印设备信息
    :return:
    """
    # tensorflow实现加法运算
    a_t = tf.constant(2, name="a_t")
    b_t = tf.constant(3, name="b_t")
    c_t = tf.add(a_t, b_t, name="c_t")
    print("a_t", a_t)
    print("b_t", b_t)
    print("c_t：", c_t)
    print("------------------------------")
    # 定义占位符
    a_ph = tf.placeholder(tf.float32)
    b_ph = tf.placeholder(tf.float32)
    c_ph = tf.add(a_ph, b_ph)
    print("a_ph:", a_ph)
    print("b_ph:", b_ph)
    print("c_ph:", c_ph)
    print("------------------------------")
    # 查看默认图
    # 方法1：调用方法
    default_g = tf.get_default_graph()
    print("default_g:", default_g)
    # 方法2：查看属性
    print("a_t的图属性：", a_t.graph)
    print("c_t的图属性：", c_t.graph)
    print("-------------------------------")
    # 开启会话
    with tf.Session(config=tf.ConfigProto(allow_soft_placement=True,
                                          log_device_placement=True)) as sess:
        # 运行placeholder
        c_ph_value = sess.run(c_ph, feed_dict={a_ph:3.9, b_ph:4.8})
        print('c_ph_value', c_ph_value)
        print("------------------------------")
        abc = sess.run([a_t, b_t, c_t])  # 传入列表，返回列表
        print("abc:", abc)
        print("c_t_value；", c_t.eval())
        print("sess的图属性：", sess.graph)
        #tf.summary.FileWriter("logs", graph=sess.graph)  # 1）将图写入本地生成events文件
if __name__ == "__main__":
    session_demo()

a_t Tensor("a_t:0", shape=(), dtype=int32)
b_t Tensor("b_t:0", shape=(), dtype=int32)
c_t： Tensor("c_t:0", shape=(), dtype=int32)
------------------------------
a_ph: Tensor("Placeholder:0", dtype=float32)
b_ph: Tensor("Placeholder_1:0", dtype=float32)
c_ph: Tensor("Add:0", dtype=float32)
------------------------------
default_g: <tensorflow.python.framework.ops.Graph object at 0x000001618EF65748>
a_t的图属性： <tensorflow.python.framework.ops.Graph object at 0x000001618EF65748>
c_t的图属性： <tensorflow.python.framework.ops.Graph object at 0x000001618EF65748>
-------------------------------
Device mapping: no known devices.
Add: (Add): /job:localhost/replica:0/task:0/device:CPU:0
c_t: (Add): /job:localhost/replica:0/task:0/device:CPU:0
Placeholder_1: (Placeholder): /job:localhost/replica:0/task:0/device:CPU:0
Placeholder: (Placeholder): /job:localhost/replica:0/task:0/device:CPU:0
b_t: (Const): /job:localhost/replica:0/task:0/device:CPU:0
a_t: (Const): /job:localhost/replica:0/task:0/device:CPU:0
c_ph_value 8.700001
------------------------------
abc: [2, 3, 5]
c_t_value； 5
sess的图属性： <tensorflow.python.framework.ops.Graph object at 0x000001618EF65748>

黑马程序员3天玩转Python深度学习tensorflow（第1天）（上）

一、深度学习的介绍

1.1 深度学习与机器学习的区别

1.1.1 特征提取方面

1.1.2 数据量和计算性能要求

1.1.3 算法代表

1.2 深度学习的应用场景

1.3 深度学习框架介绍

1.3.1 常见深度学习框架对比

1.3.2 tensorflow的特点

1.3.3 tensorflow的安装

二、tensorflow框架介绍

2.1 TF数据流图

2.1.1 案例：tensorflow实现一个加法运算

2.2 图与TensorBoard

2.2.1 什么是图结构

2.2.2 图相关操作

2.2.3 TensorBoard可视化学习

2.2.4 OP

2.3 会话

2.3.1 会话创建

热门文章

最新文章

相关课程

相关电子书

相关实验场景