Tensorflow入门（1）——深度学习框架Tesnsflow入门 &； 环境配置 &； 认识Tensorflow(2)

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上软件测试知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化的资料的朋友，可以戳这里获取

2.会话 Session()

• 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）
• 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

1. sess = tf.Session() sess.run(…) sess.close()
2. 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()

import tensorflow as tf
############ 去除警告
import os
os.environ["TF\_CPP\_MIN\_LOG\_LEVEL"]="2"
# 创建一张图，上下文环境
# 图包含了一组op和tensor
# op:只要使用tensorflow的API定义的函数都是OP
# tensor：就指代的是数据
# 实现一个加法运算
a = tf.constant(5.0)
b = tf.constant(6.0)
sum1 = tf.add(a, b)

# 默认的这张图，相当于是给程序分配一段内存
graph = tf.get\_default\_graph()
print(graph)
# 看出程序在哪里运行
# 只要有上下文环境，就可以方便使用eval（）
with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:
    print(sess.run(sum1))
    print(sum1.eval())
    print(a.graph)
    print(sum1.graph)


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

会话的run()方法

import tensorflow as tf
############ 去除警告
import os
os.environ["TF\_CPP\_MIN\_LOG\_LEVEL"]="2"
# 创建一张图，上下文环境# 图包含了一组op和tensor
# op:只要使用tensorflow的API定义的函数都是OP# tensor：就指代的是数据

# 实现一个加法运算
a = tf.constant(5.0)
b = tf.constant(6.0)
sum1 = tf.add(a, b)
var1=3
## 有重载的机制,默认会给运算符重载成op类型
sum2 = a + var1
print(sum2)
# 训练模型
# 实时的提供数据去进行训练
# placeholder是一个占位符,feed_dict一个字典
plt = tf.placeholder(tf.float32, [2, 3])
plt2=tf.placeholder(tf.float32,[None,3])
print(plt)
# 只要有上下文环境，就可以方便使用eval（）# 看出程序在哪里运行
with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:
    print(sess.run([a,b,sum1,sum2]))
    print(sess.run(plt,feed_dict={plt:[[1, 2, 3], [4, 5, 36]]}))
    print(sess.run(plt2, feed_dict={plt2: [[1, 2, 3], [4, 5, 36],[3,4,6]]}))
    print(sum1.eval())#输出结果
    print(a.graph)
    print(sum1.graph)

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

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

3.张量 Tensor

要点：
• 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

（1）张量的形状

（2）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

with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:
    print(sess.run([a,b,sum1,sum2]))
    print(sess.run(plt,feed_dict={plt:[[1, 2, 3], [4, 5, 36]]}))
    print(sess.run(plt2, feed_dict={plt2: [[1, 2, 3], [4, 5, 36],[3,4,6]]}))
    print(sum1.eval())#输出结果
    print(a.graph)
    print(a.shape)
    print(a.name)
    print(a.op)

1
2
3
4
5
6
7
8
9
10

张量的动态形状与静态形状

import tensorflow as tf
############ 去除警告
import os
os.environ["TF\_CPP\_MIN\_LOG\_LEVEL"]="2"
#tensorflow中的形状：
# 0维:()   1维：(5)   2维：(5,6)  3维：（2，3，4）2张3行4列的表
# 形状的概念
# 静态形状和动态性状
# 对于静态形状来说，一旦张量形状固定了，不能再次设置静态形状, 不能夸维度修改 1D->1D 2D->2D
# 动态形状可以去创建一个新的张量,改变时候一定要注意元素数量要匹配  1D->2D  1->3D

plt=tf.placeholder(tf.float32,[None,2])
print(plt)
plt.set\_shape([3,2])
print(plt)

plt_reshape=tf.reshape(plt,[2,3])
print(plt_reshape)
with tf.Session() as sess:
    pass


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

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

4.张量操作

（1）生成张量

（2）张量变换

切片与扩展
tf.concat(values, axis, name=‘concat’)

• 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

5.变量OP——模型参数

• 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

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

import tensorflow as tf
############ 去除警告
import os
os.environ["TF\_CPP\_MIN\_LOG\_LEVEL"]="2"
a=tf.constant([1,2,3,4])
var = tf.Variable(tf.random\_normal([2,3],mean=0,stddev=1.0))
print(a,var)
#必须做一个显示的初始化
init_op=tf.global\_variables\_initializer()
with tf.Session() as sess:
    #必须运行初始化op
    sess.run(init_op)
    print(sess.run([a,var]))
    pass
# 变量op
# 1、变量op能够持久化保存，普通张量op是不行的
# 2、当定义一个变量op的时候，一定要在会话当中去运行初始化
# 3、name参数：在tensorboard使用的时候显示名字，可以让相同op名字的进行区分



1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

作用域——使得代码图清晰

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？

tensorflow变量作用域的作用：
• 让模型代码更加清晰，作用分明

增加变量显示——观察变化

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为变量名字，tensor为值
       tf.summary.histogram( name =” ”, tensor )
       收集高纬度的变量参数
       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 ) 每次迭代都需要运行
       添加： filewriter.add_summary(summary,i) i表示第几次的值

目的：
观察模型的参数，损失等变量值的变化

6.事件文件与可视化

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=default_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
Tensorboard --logdir=”./tmp/tensorflow/summary/test/”
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

import tensorflow as tf
############ 去除警告
import os
os.environ["TF\_CPP\_MIN\_LOG\_LEVEL"]="2"
a=tf.constant([1,2,3,4])
var = tf.Variable(tf.random\_normal([2,3],mean=0,stddev=1.0))
print(a,var)
#必须做一个显示的初始化
init_op=tf.global\_variables\_initializer()
with tf.Session() as sess:
    #必须运行初始化op
    sess.run(init_op)
    # 把程序的图结构写入事件文件，graph：把指定的图写进事件文件当中
    filewriter=tf.summary.FileWriter('./py_tensflow/', graph=sess.graph)
    pass

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

Tensorboard --logdir=” F:/python/py_tensflow/”
文件路径 ，没有名字

1.在保存的事件文件所在的文件中输入 cmd

2.依次输输入

conda info --envs
activate tensorflow
Tensorboard --logdir=" F:/python/py\_tensflow/"

1
2
3
4

3.火狐浏览器打开

历史记录中打开即可
http://DESKTOP-PJDM5BE:6006

案例：线性回归

Tensorflow运算API

矩阵运算
相乘 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
		method:
		return:梯度下降op


1
2
3
4
5
6
7

版本一：trainable参数

trainable参数：指定这个变量能跟着梯度下降一起优化

import tensorflow as tf
############ 去除警告
import os
os.environ["TF\_CPP\_MIN\_LOG\_LEVEL"]="2"
def myregre():
    '''
    自定义一个线性回归
    :return:None
    '''
    # 1.准备数据，x 特征值 （100，1） y 目标值（100）
    x=tf.random\_normal([100,1],mean=1.75,stddev=0.5,name="x\_data")

    # 矩阵相乘必须是二维的
    y_true=tf.matmul(x,[[0.7]])+0.8

    # 2.建立线性回归模型 1个权重，1个特征，1个偏置 y=x w + b
    # 随机给权重和偏置的，让他计算损失，然后在当前状态下优化
    # 用变量定义才能优化
    weight = tf.Variable(tf.random\_normal([1,1],mean=0.0,stddev=1.0),name="w")
    bias = tf.Variable(0.0,name="b")

    y_predict=tf.matmul(x,weight)+bias

    # 建立损失函数，均方误差
    loss = tf.reduce\_mean(tf.square(y_true-y_predict))

    # 4.梯度下降，优化损失 learning_rate 0~1,2,3,5,7
    train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
    # 定义一个初始化的 op
    init_op=tf.global\_variables\_initializer()

    # 通过会话运行程序
    with tf.Session() as sess:
        # 初始化变量
        sess.run(init_op)
        # 打印随机初始化的权重和偏置
        print("随机初始化的参数权重为： %f 偏置为： %f" % (weight.eval(),bias.eval()))
        # 循环训练 运行优化
        for i in range(200):
            sess.run(train_op)
            print("优化为： %f 偏置为： %f" % (weight.eval(), bias.eval()))
        pass
    return None

if __name__ == '__main__':
    myregre()

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

版本2：变量作用域

import tensorflow as tf
############ 去除警告
import os
os.environ["TF\_CPP\_MIN\_LOG\_LEVEL"]="2"
def myregre():
    '''
    自定义一个线性回归
    :return:None
    '''
    with tf.variable\_scope("data"):
         # 1.准备数据，x 特征值 （100，1） y 目标值（100）
         x=tf.random\_normal([100,1],mean=1.75,stddev=0.5,name="x\_data")
         # 矩阵相乘必须是二维的
         y_true=tf.matmul(x,[[0.7]])+0.8

    with tf.variable\_scope("model"):
        # 2.建立线性回归模型 1个权重，1个特征，1个偏置 y=x w + b
        # 随机给权重和偏置的，让他计算损失，然后在当前状态下优化
        # 用变量定义才能优化
        weight = tf.Variable(tf.random\_normal([1,1],mean=0.0,stddev=1.0),name="w")
        bias = tf.Variable(0.0,name="b")
        y_predict=tf.matmul(x,weight)+bias
        
    with tf.variable\_scope("loss"):
        # 建立损失函数，均方误差
        loss = tf.reduce\_mean(tf.square(y_true-y_predict))
    with tf.variable\_scope("optimizer"):
        # 4.梯度下降，优化损失 learning_rate 0~1,2,3,5,7
        train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

    # 定义一个初始化的 op
    init_op=tf.global\_variables\_initializer()

    # 通过会话运行程序
    with tf.Session() as sess:
        # 初始化变量
        sess.run(init_op)
        # 打印随机初始化的权重和偏置
        print("随机初始化的参数权重为： %f 偏置为： %f" % (weight.eval(),bias.eval()))
        # 建立事件文件
        filewriter = tf.summary.FileWriter('F:/python/py_tensflow/', graph=sess.graph)

        # 循环训练 运行优化
        for i in range(200):
            sess.run(train_op)
            print("优化为： %f 偏置为： %f" % (weight.eval(), bias.eval()))
        pass
    return None
if __name__ == '__main__':
    myregre()

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

版本3：增加变量显示

import tensorflow as tf
############ 去除警告
import os
os.environ["TF\_CPP\_MIN\_LOG\_LEVEL"]="2"
def myregre():
    '''
    自定义一个线性回归
    :return:None
    '''
    with tf.variable\_scope("data"):
         # 1.准备数据，x 特征值 （100，1） y 目标值（100）
         x=tf.random\_normal([100,1],mean=1.75,stddev=0.5,name="x\_data")
         # 矩阵相乘必须是二维的
         y_true=tf.matmul(x,[[0.7]])+0.8

    with tf.variable\_scope("model"):
        # 2.建立线性回归模型 1个权重，1个特征，1个偏置 y=x w + b
        # 随机给权重和偏置的，让他计算损失，然后在当前状态下优化
        # 用变量定义才能优化
        weight = tf.Variable(tf.random\_normal([1,1],mean=0.0,stddev=1.0),name="w")
        bias = tf.Variable(0.0,name="b")
        y_predict=tf.matmul(x,weight)+bias

    with tf.variable\_scope("loss"):
        # 建立损失函数，均方误差
        loss = tf.reduce\_mean(tf.square(y_true-y_predict))
    with tf.variable\_scope("optimizer"):
        # 4.梯度下降，优化损失 learning_rate 0~1,2,3,5,7


![img](https://img-blog.csdnimg.cn/img_convert/3355b6e797b1ec53ff2a97b096bcd657.png)
![img](https://img-blog.csdnimg.cn/img_convert/1923a0d829512d263302f964cccb3ca1.png)
![img](https://img-blog.csdnimg.cn/img_convert/397c248230c8e2c429a29d5454524ae7.png)

**既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上软件测试知识点，真正体系化！**

**由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新**

**[需要这份系统化的资料的朋友，可以戳这里获取](https://bbs.csdn.net/forums/4f45ff00ff254613a03fab5e56a57acb)**



    with tf.variable\_scope("loss"):
        # 建立损失函数，均方误差
        loss = tf.reduce\_mean(tf.square(y_true-y_predict))
    with tf.variable\_scope("optimizer"):
        # 4.梯度下降，优化损失 learning_rate 0~1,2,3,5,7


[外链图片转存中...(img-3DYGJVx2-1715284787822)]
[外链图片转存中...(img-kYB2nK2t-1715284787822)]
[外链图片转存中...(img-QYZPTfqY-1715284787822)]

**既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上软件测试知识点，真正体系化！**

**由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新**

**[需要这份系统化的资料的朋友，可以戳这里获取](https://bbs.csdn.net/forums/4f45ff00ff254613a03fab5e56a57acb)**

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