TensorFlowDay-1 TensorFlow环境准备&参考资料

Posted 2023-02-04 dabokele

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了TensorFlowDay-1 TensorFlow环境准备&参考资料相关的知识，希望对你有一定的参考价值。

文章目录

一、环境准备
- 1、安装
- 2、验证
二、算法学习路径
三、Resources
四、参考资料

一、环境准备

1、安装

这里采用容器的方式安装，安装文档可以参考https://www.tensorflow.org/install

docker pull tensorflow/tensorflow:latest-py3
# 在容器中运行宿主机指定脚本，-v参数将宿主机和容器进行绑定，-w参数指定tf的运行目录，此时script.py脚本位于宿主机上
docker run -it --rm -v /usr/local/software/docker_files/tf_data/script:/tmp -w /tmp tensorflow/tensorflow python ./script.py
# 启动jupyter notebook，该镜像的jupyter notebook默认打开的是容器的/tf目录
docker run -it -d -p 8888:8888 \\
--net mynetwork \\
-v /usr/local/software/docker_files/tf_data/script:/tf \\
-v /usr/local/software/docker_files/tf_data/data:/data \\
-v /usr/local/software/docker_files/tf_data/model:/model \\
tensorflow/tensorflow:nightly-py3-jupyter

在容器+jupyter的模式下进入TF，通过日志中如下类似链接”http://127.0.0.1:8888/?token=fb35504be29fdb4f218912dd09d91f09960ff84a2da49d32” ，可以直接打开jupyter页面。

后续使用中会出现镜像中没有pandas模块的提示，如果想要修改已有镜像，按如下操作

# 进入容器
docker run -t -i tensorflow/tensorflow:nightly-py3-jupyter /bin/bash
# 安装插件
pip install pandas
# 提交
docker commit -m "add pandas" -a "kmc" b72a667502e9 tensorflow/tensorflow:nightly-py3-jupyter

2、验证

安装完成后，进入如jupyter中，输入如下代码验证，

>>> import tensorflow as tf
>>> tf.add(1, 2).numpy()
3
>>> hello = tf.constant('Hello, TensorFlow!')
>>> hello.numpy()
b'Hello, TensorFlow!'

二、算法学习路径

在TF的官方文档中提供了两种入门方式，分别针对初学者或者有一定经验的人。同时采用了MNIST数据集做手写数字的识别。

1、初学者模式

对初学者而言，TF中已经封装好了一些接口，直接通过API调用的方式快速定义并组装模型，如下所示，

import tensorflow as tf
mnist = tf.keras.datasets.mnist

(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test, y_test)

2、进阶模式

对有算法经验的人来说，上面的模式只能让用户选择一些内置的算法模型，以及定义模型的组装关系，以及一些参数，损失函数的选择等。如果在实际使用过程中，需要使用更加复杂的模型时，可以对比如下代码，

class MyModel(tf.keras.Model):
  def __init__(self):
    super(MyModel, self).__init__()
    self.conv1 = Conv2D(32, 3, activation='relu')
    self.flatten = Flatten()
    self.d1 = Dense(128, activation='relu')
    self.d2 = Dense(10, activation='softmax')

  def call(self, x):
    x = self.conv1(x)
    x = self.flatten(x)
    x = self.d1(x)
    return self.d2(x)
model = MyModel()

with tf.GradientTape() as tape:
  logits = model(images)
  loss_value = loss(logits, labels)
grads = tape.gradient(loss_value, model.trainable_variables)
optimizer.apply_gradients(zip(grads, model.trainable_variables))