主流的机器学习框架之一——TensorFlow

Posted 2021-05-02 数据皮皮侠

本文介绍了机器学习框架TensorFlow的安装和基本使用，并以一元线性回归为例介绍了如何使用TensorFlow进行简单的机器学习

本期导航

一、什么是机器学习

二、TensorFlow简介

三、TensorFlow的基本使用

四、安装TensorFlow

五、TensorFlow机器学习例子—— 一元线性回归

一、什么是机器学习

机器学习计算机利用已有的数据(经验)，得出了某种模型(规律)，并利用此模型预测未来数据特征的一种方法。

二、TensorFlow简介

TensorFlow 是一个采用计算图的形式表述数值计算的编程系统，本身是一个开源软件库。TensorFlow计算图中每一个节点表示一次数学计算，每一条边表示计算之间的依赖关系。

它最初由Google大脑小组（隶属于Google机器智能研究机构）的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。

张量（tensor）是计算图的基本数据结构，可以理解为多维数据，流(Flow)表达了张量之间通过计算互相转化的过程。

主流的机器学习框架有很多，除了TensorFlow外还有Caffe, CNTK等，而TensorFlow则是主流中的主流。

三、TensorFlow的基本使用

使用张量（Tensor） 表示数据，通过变量 (Variable) 输入训练数据，维护状态；使用计算图(computational graph) 来表示计算任务，在会话 (Session) 的上下文 (Context) 中执行计算图。

张量（Tensor）是一个多维数组，是TensorFlow核心的基本数据单元。

Rank（张量的秩）就是张量的维数。直观上看就是有几层括号。

示例1：零阶张量即纯量 

s=256

一阶张量（可看作向量，用t[i]来访问其元素）

v=[1,1, 2.2, 3.3]

二阶张量（可看作矩阵, 用t[i,j]来访问其元素）

m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]

Shape（张量的形状）描述的是张量的形状 。逐步去掉中括号，看有多少个“元素”。

示例2：

[[1,2,3] , [4,5,6]]   和    [[1,2,3],
                                    [4,5,6]]

的shape是一样的，shape=[2, 3]

示例3：

[1,2,3]是1维的，但它作为shape时，代表要传入的数据必须是个三维的。

示例4：

[[[1., 2., 3.]], [[7., 8., 9.]]]  

 shape=(2, 1, 3)

计算图（computational graph）用“节点”（nodes）和“线”(edges)的有向图来描述数学计算的图像。“节点” 一般用来表示施加的数学操作，但也可以表示数据输入（feed in）的起点/输出（push out）的终点，或者是读取/写入持久变量（persistent variable）的终点。“线”表示“节点”之间的输入/输出关系。这些数据“线”可以输运“size可动态调整”的多维数据数组，即“张量”（tensor）

会话（Session）囊括TensorFlow运行时候的状态，运行控制。构建的计算图必须在TensorFlow的session中才能运行

编程示例：

import tensorflow as tf
node1 = tf.constant(3.0, dtype=tf.float32)
node2 = tf.constant(4.0)
node3 = tf.add(node1,node2)
sess = tf.Session() #运行计算图之前创建session
print("node3:",node3)
print("sess.run(node3):",sess.run(node3)) #调用sess的'run()'方法来执行矩阵op

运行结果：

placeholders 在计算图中，能够接受额外输入，通常情况下，提供的值晚于定义。

Variables 是在模型训练中，允许修改的量。相同的输入，通过修改变量得到不同输出值。在线性模型中用来描述权重和偏移量。

编程示例：

import tensorflow as tf
W = tf.Variable([0.3],dtype=tf.float32)
b = tf.Variable([-0.3],dtype=tf.float32)
x = tf.placeholder(tf.float32)
linear_model = W*x + b
#变量必须显示申明，使用：
init = tf.global_variables_initializer() #初始化全局变量
sess = tf.Session()
sess.run(init)
print(sess.run(linear_model, {x: [1,2,3,4]}))

运行结果：

四、安装TensorFlow

CPU&GPU 推荐使用GPU运行TensorFlow，因为GPU比CPU更适合张量的运算，效率成倍数提升。但是并不是每台设备都配备GPU，笔记本中只有一些游戏本是配备的GPU，因此游戏本的同学可以尝试安装GPU版本的TensorFlow。

没有GPU的设备可以使用CPU版本。对于初学者来说，面对不大的数据量，CPU版本的也足够了，更重要的是熟悉TensorFlow的原理。

编程基础 TensorFlow支持多种语言的，推荐使用python做为API，因为它代码简洁，容易上手，最重要的是能混合其他DL库一块使用。

接下来展示是的CPU版本的安装：

1

安装Anaconda以及TensorFlow

（1）官网下载安装包：Anaconda官网，安装

（2）检查是否安装成功：

conda –version

（3）检查目前的安装环境：

conda info --envs

（4）检查目前有哪些版本的python可以安装：

conda search --full-name python

（5）选择一个python版本安装

       （这里选择python3.7.4版本）：

conda create --name tensorflow python=3.7.4

完成：

2

测试TensorFlow是否安装成功

（1）通过开始菜单栏进入Anaconda Prompt（可以在anaconda的文件夹中找到）

（2）依次输入命令：

activate tensorflowpythonimport tensorflow as tf

没有报以下错误：

则成功

如果出现了，可以参考一下这篇文章的处理方法https://blog.csdn.net/xiakejiang/article/details/82720815

五．TensorFlow机器学习例子——一元线性回归

回归方程

梯度下降算法 利用计算机求极值，可以用梯度下降算法进行多次迭代，逼近极值点，求出w和 b。

目标 给出100个散点样本，求出回归方程

编程：

import tensorflow as tfimport numpy as np
#散点图数据，理论 w=2, b=10
train_X = np.linspace(-1, 1, 100)
train_Y = 2 * train_X + np.random.randn(*train_X.shape) * 0.33 + 10

 

构建计算图

#构建计算图
X = tf.placeholder(tf.float32, name="x")
Y = tf.placeholder(tf.float32, name="y")
w = tf.Variable(0.0, name="weight")
b = tf.Variable(0.0, name="bias")
loss = tf.square(Y - X * w - b) #损失函数为离差平方和
train_op = tf.train.GradientDescentOptimizer(0.01).minimize(loss) #梯度下降算法

运行计算图

#运行计算图
with tf.Session() as sess:
 sess.run(tf.global_variables_initializer())
 
 for i in range(20): #20次迭代
 for(x, y) in zip(train_X, train_Y):
 train_op_result, w_result, b_result = sess.run([train_op, w, b],feed_dict={X: x, Y:y})
 print("Epoch: {}, w: {}, b: {}".format(i+1, w_result, b_result))

运行结果：

欢迎关注数据皮皮侠

本期编辑校对：李嘉楠