人工智能应用工程师技能提升系列1、——TensorFlow2

简介: 人工智能应用工程师技能提升系列1、——TensorFlow2



tensorflow2介绍

这里先说一下选择使用tensorflow2讲解的原因,在对比一下同类型的一个优势。由于我们这个系列的目标是学习,大家使用的都是win系统的电脑,故而这里选择tensorflow2方便得多。当前最新的版本是2.15

官网(偶尔打不开): https://www.tensorflow.org/

中文网站: https://tensorflow.google.cn

可以在学习这个下拉菜单中找到官方给的可成内容,对应的还有API啥的,很方便。

TensorFlow与TensorFlow 2的主要区别体现在以下几个方面:

1. 计算图执行模式:TensorFlow 1.x主要使用静态计算图,需要先构建计算图,然后通过Session执行。而TensorFlow 2.x默认使用Eager Execution(即动态图执行模式),这使得操作更加直观和易于调试,开发效率更高。同时,TensorFlow 2.x也支持通过`tf.function`将动态图代码转化为静态图模式,兼顾运行效率。

2. API简化:相比于TensorFlow 1.x,TensorFlow 2.x删除了许多旧的API,并对一些API进行了合并和简化。例如,TensorFlow 2.x中,Keras被确立为官方的高级API,使得模型的构建和训练更加简洁明了。

3. 兼容性:虽然TensorFlow 2.x进行了许多改进,但它仍然需要考虑与TensorFlow 1.x的兼容性。为此,TensorFlow 2.x提供了一个兼容模块`tf.compat.v1`,使得大部分TensorFlow 1.x的代码可以在TensorFlow 2.x中运行。

总的来说,TensorFlow 2.x在易用性、开发效率和运行效率方面都进行了显著的改进,同时保持了与TensorFlow 1.x的兼容性。这使得开发者可以更方便地进行深度学习相关的工作。所以本课程内容选择的是TensorFlow2进行具体的操作讲解。

tensorflow2优势对比PyTorch

TensorFlow 2与PyTorch是两个流行的深度学习框架,它们都有各自的优势。以下是对TensorFlow 2与PyTorch的优势的详细描述:

TensorFlow 2的优势:

1. 工业级部署:移动端和嵌入式部署: TensorFlow在移动端和嵌入式设备上的部署能力优于PyTorch,对于Android或iOS平台,只需要很小的工作量。

高性能服务器端部署: TensorFlow Serving可以轻松地进行热插拔模型,而不会使服务失效,这在高性能服务器端部署时是一个显著优点。

2. 静态计算图优化:尽管TensorFlow 2默认使用动态图执行模式,但它仍然支持静态计算图的优化。对于一些需要高性能的场景,静态计算图可以提供更快的执行速度。

3. 广泛的社区支持和生态系统:TensorFlow作为一个较早的深度学习框架,拥有庞大的社区和丰富的生态系统,包括许多预训练模型、工具和库。

PyTorch的优势:

1. 动态计算图:PyTorch使用动态计算图,这意味着在构建神经网络时可以使用常见的Python语句(如if、while、for-loop),从而使网络构建过程更加直观和易于调试。

2. 易于使用的API:PyTorch的API设计非常直观,易于上手。它更加符合人类的思考过程,方便查看、修改中间变量的值。

3. 强大的GPU加速支持:PyTorch对GPU的支持非常出色,能够充分利用GPU进行加速计算。

TensorFlow 2和PyTorch各有优势,选择哪个框架取决于您的具体需求。如果您更关注工业级部署、静态计算图优化和广泛的生态系统支持,TensorFlow 2可能是更好的选择。而如果您更看重直观的动态计算图、易于使用的API和强大的GPU支持,那么PyTorch可能更适合您。

工具使用

这里使用的是【PyCharm Community Edition 2023.1.4】,社区版本免费用啊,用于学习绝对OK,python版本是3.9。

安装tensrflow

pip install tensorflow

或者直接在代码中

import tensorflow

ALT+回车,直接会出现安装提示,回车即可。

安装需要一些时间。

版本校验——tensorflow2

必须是这个版本,一定不能是1的,所以我们需要单独输出看看。

import tensorflow as tf
tf.__version__

直接运行可以看到对应的版本显示:

tensorflow常量constant

import tensorflow as tf
a = tf.constant([2, 3])
b = tf.constant([2, 4])
# 对象内容
print(a + b)
# 直接输出numpy结果。
print((a + b).numpy())

tensorflow基础数学计算

这里使用的时候例如下面是整数类型就都得是整数类型,不能出现浮点数什么的。

import tensorflow as tf
a = tf.constant([7, 22])
b = tf.constant([21.2, 55.7])
# 均值对象
print(tf.reduce_mean(a))
# 均值结果·整数值
print(tf.reduce_mean(a).numpy)
print(tf.reduce_mean(b).numpy)

平方计算

这里需要注意匹配数据类型。

import tensorflow as tf
a = tf.constant([7, 22])  # 不匹配
b = tf.constant([21.2, 55.7])  # 不匹配
# 外部计算均值·内部计算平方项·需要类型匹配
print(tf.reduce_mean(tf.square(b - a)))

最终效果:

tensorflow变量Variable

import tensorflow as tf
result = tf.Variable(666.666)
# 对象
print(result)
# 结果
print(result.numpy)

可以直接查看到结果,这里的numpy是函数,需要添加一对小括号。

API文档

点击打开文档可以直接查阅:All symbols in TensorFlow 2  |  TensorFlow v2.14.0

tensorflow2测试——构建一个线性模型

根据100个随机样本找出合适的w与b值,使得y=wx+b;

大致操作过程:

  1. 读取数据
  2. 构造一个线性模型 y=wx+b
  3. 构造损失函数
  4. 最小化方差(训练)
  5. 性能评估

csv文件快速生成:

=RANDBETWEEN(100000,999999)/1000000

=RANDBETWEEN(400000,599999)/100000

基本分析

import tensorflow as tf
import pandas as pd
import matplotlib.pyplot as plt
# 读取数据
# 直接获取二维数组·方便索引缩着切分
data = pd.read_csv("tensorflow_test_info.csv").values
# 样本特征·第一列的值
x = data[:, 0]
# 目标值·第二列的值
y = data[:, 1]
# 构造线性模型y=wx+b
# 我们计算分析的是浮点数,所以加上.0
w = tf.Variable(-6.0)
b = tf.Variable(6.0)
def model(x, w, b):
    """模型函数"""
    return w * x + b
# 视图呈现
plt.figure(figsize=(10, 5))
plt.axis([-0.01, 1.2, 1, 10])
plt.scatter(x, y)
plt.plot(x, model(x, w, b).numpy(), color='red')
plt.legend(['predicted_y', 'target_y'])
plt.show()

效果图:

构造损失函数

def loss(predicted_y, target_y):
    """损失函数"""
    return tf.reduce_mean(tf.square(predicted_y - target_y))

最小化方差优化

with tf.GradientTape() as t:
    """最小化方差优化"""
    dw, dd = t.gradient(loss((model(x, w, b), y), [w, b]))

训练效果

训练100遍效果:

训练1000遍最终结果:

视频效果:

tensorflow2测试——构建一个线性模型——训练效果

总结

最后从效果上看还是OK的,数据我准备的一般,没有成线性,毕竟是随机搞的,如果有兴趣的话可以做一个更贴近的随机数线性数据效果会更好的呢。

相关实践学习
基于阿里云DeepGPU实例,用AI画唯美国风少女
本实验基于阿里云DeepGPU实例,使用aiacctorch加速stable-diffusion-webui,用AI画唯美国风少女,可提升性能至高至原性能的2.6倍。
相关文章
|
13天前
|
机器学习/深度学习 API 语音技术
|
4天前
|
机器学习/深度学习 人工智能 搜索推荐
探索人工智能在医疗诊断中的应用
【4月更文挑战第20天】 随着人工智能技术的迅猛发展,其在医疗领域的应用日益广泛,特别是在疾病的早期诊断和治疗方案的制定上。本文将深入探讨人工智能如何通过机器学习和深度学习技术辅助医生进行更精准的诊断,同时分析其面临的挑战和潜在的伦理问题,并展望人工智能在未来医疗健康领域的发展可能。
|
6天前
|
机器学习/深度学习 人工智能 算法
探索人工智能在医疗诊断中的应用
【4月更文挑战第18天】 随着人工智能技术的迅猛发展,其在医疗领域的应用日益广泛,尤其是在疾病诊断方面。本文旨在探讨人工智能技术如何辅助医生进行更准确的诊断,并分析其对未来医疗行业可能产生的深远影响。通过实例分析与最新研究成果的结合,揭示了AI在处理复杂数据、图像识别及预测模型构建方面的潜力。
|
8天前
|
机器学习/深度学习 人工智能 自然语言处理
人工智能在当代社会中的应用与未来发展趋势 摘要:
人工智能(AI)作为一种新兴技术,在当代社会中扮演着越来越重要的角色。本文将探讨人工智能的基本概念、当前在各个领域的应用情况以及未来的发展趋势。首先,我们将介绍人工智能的定义和分类,然后详细讨论人工智能在医疗、金融、制造业、交通、教育等领域的应用案例。接着,我们将分析人工智能发展面临的挑战,包括数据隐私、伦理道德等问题,并探讨如何解决这些问题以推动人工智能的发展。最后,我们将展望人工智能的未来发展趋势,包括深度学习、自然语言处理、机器人技术等方面的进展,以及人工智能对社会和经济的影响。
|
10天前
|
机器学习/深度学习 人工智能 自然语言处理
构建未来:人工智能在创造性问题解决中的应用
【4月更文挑战第14天】 随着人工智能(AI)技术的不断进步,其在模仿和增强人类创造力方面的潜力正逐渐被挖掘。本文章探讨了AI如何通过机器学习、深度学习和自然语言处理等技术,在音乐创作、艺术设计和复杂问题求解等领域中展现出其独特的创新能力。我们分析了当前AI在创造性任务中所采用的方法,并讨论了这些技术如何推动新领域的发展,同时指出了目前存在的挑战和未来的发展方向。
|
11天前
|
机器学习/深度学习 人工智能 算法
探索人工智能在医疗诊断中的应用及挑战
【4月更文挑战第13天】 随着人工智能技术的迅猛发展,其在医疗领域的应用已成为推动健康科技革新的关键力量。本文旨在深入剖析AI技术在医疗诊断中的实际应用案例,探讨其提升诊疗效率、准确性的潜力,并针对当前面临的数据隐私、算法透明度、以及跨学科合作等挑战进行详细讨论。通过分析现实案例和最新研究成果,本文揭示了AI在辅助诊断、影像学、基因组学等方面的进步,同时指出了实现全面临床应用所需的关键步骤和政策建议。
17 1
|
12天前
|
人工智能 自然语言处理 搜索推荐
|
12天前
|
机器学习/深度学习 数据采集 人工智能
|
17天前
|
人工智能 算法 数据挖掘
构建未来:人工智能在创造性问题解决中的应用
【4月更文挑战第7天】 随着技术的不断进步,人工智能(AI)已经从简单的数据处理和模式识别演变为能够处理复杂任务的高级系统。本文探讨了AI如何通过模仿人类的创造力来解决创新问题,以及这种技术如何改变我们对未来工作和社会的看法。我们将深入研究AI在艺术创作、工程设计和科学研究中的应用,并讨论这些系统如何推动新知识的发现和新产品的开发。
|
18天前
|
机器学习/深度学习 人工智能 自然语言处理
构建未来:人工智能在创造性问题解决中的应用
【4月更文挑战第6天】本文探讨了人工智能(AI)在解决复杂问题中的创新应用,重点分析了AI如何通过模仿人类认知过程提出并实施解决方案。通过深度学习、神经网络和自然语言处理等技术,AI系统能够学习和理解问题的本质,生成新颖的解决方案,并在多个领域如医疗、金融和教育中展示其潜力。文章还讨论了AI在创造性问题解决中面临的挑战及其对未来的影响。

热门文章

最新文章