投稿
  1. 首页
  2. 随笔

tensorflow使用

万利达平板 • 2022-12-18 • 随笔 • 阅读 56

tensorflow使用,第1张

tensorflow使用 一、概述

tensorflow c++调用
简明tensorflow官方

二、环境搭建

1、安装anaconda
anaconda官网下载：https://www.anaconda.com/products/individual
anaconda安装教程
（1）自己配置Anaconda环境变量：

此电脑——属性——高级系统设置——环境变量——path——编辑——新建

E:Anaconda（Python需要） 
E:Anacondascripts（conda自带脚本） 
E:AnacondaLibrarymingw-w64bin（使用C with python的时候）
E:AnacondaLibraryusrbin 
E:AnacondaLibrarybin（jupyter notebook动态库）

（2）验证
A、在cmd中输入 ：

conda --version，——查看是否有conda环境？ (检验安装成功的标志)
conda info

B、运行Anaconda Navifator，出现界面（初次慢）
（3）添加清华镜像
在Anaconda prompt中 *** 作：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes
conda config --show channels

//相关命令
conda env list
conda create -n tf2 python=3.9  //创建名为tf2的环境
conda create --name tf2 python=3.9  //创建名为tf2的环境
conda remove --name tf2 --all
conda activate tf2   			//激活tf2环境，linux下前面加source
conda deactivate     			//关闭活动的环境，linux下前面加source

2、安装pycharm
pycharm官网下载
pycharm和谐教程
pycharm脚本之家和谐版
pycharm的破解和基本使用
3、安装tensorflow
Tensorflow2.x的安装教程
Anaconda3环境下安装Tensorflow2及pycharm环境配置详细教程
（1）查看电脑是否有GPU
查看自己电脑是否支持GPU方法：①任务栏点击右键打开任务管理器；②点击性能，并下拉；③左侧框如果有GPU，则代表自己电脑是由GPU的。
使用GPU需要安装cudatoolkit和cudnn实现GPU的加速。（Tensorflow2.x安装以后不再区分是否是GPU，检测到已经安装GPU和CUDA后，会自动调用GPU运行。）
（2）在anaconda prompt中输入：

conda create -n tf2 python=3.9  //创建名为tf2的环境
conda activate tf2   			//激活tf2环境
//conda deactivate     			//关闭活动的环境
conda install cudatoolkit cudnn   //安装cuda cudnn
pip install tensorflow

（3）检查是否安装成功

在conda tf2环境中：
输入 python    
输入 import tensorflow as tf   
输入 tf.__version__    //两个下划线

在pycharm中：

	print(tf.__version__)
	//以下验证gpu
    print(tf.test.is_gpu_available())
	for i in tf.config.list_physical_devices():
	    if 'GPU' in i[1]:
	        print(i[1], '可用,GPU名称: ', i[0])
	结果显示：
	GPU 可用,GPU名称:  /physical_device:GPU:0
三、使用

1、session模块在2.0中已移除
由于tensorflow2.x和1.x版本有一些代码的区别，在使用tensorflow2.x的时候，在代码中添加compat.v1 能够解决大多数问题。

//tensorflow 1.0 --> 2.0
import tensorflow as tf
tf.Session() --> tf.compat.v1.Session()

	tf.compat.v1.disable_eager_execution()
    sess = tf.compat.v1.Session()
    a = tf.constant(1)
    b = tf.constant(2)
    print(sess.run(a + b))

2、问题

2022-02-04 15:58:39.249679: I tensorflow/core/platform/cpu_feature_guard.cc:151] This TensorFlow binary is optimized with oneAPI Deep Neural Network Library (oneDNN) to use the following CPU instructions in performance-critical operations: AVX AVX2
To enable them in other operations, rebuild TensorFlow with the appropriate compiler flags.2022-02-04 15:58:39.936572: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1525] Created device /job:localhost/replica:0/task:0/device:GPU:0 with 2805 MB memory: -> device: 0, name: GeForce MX150, pci bus id: 0000:01:00.0, compute capability: 6.1

该警告提示tensorflow可以以更快的速度运行。
原因是下载TensorFlow的版本不支持cpu的AVX2编译。可能是因为安装时使用的pip install tensorflow ，这样默认会下载X86_64的SIMD版本。
（1）把tensorflow的警告等级为2的警告忽略：

import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'

（2）重新安装
tensorflow 带vx2版本列表

pip uninstall tensorflow
pip install 具体版本

3、keras
线性回归：y=ax+b

import tensorflow as tf
import pandas as pd
model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(1, input_shape=(1,)))
model.summary()  # ax+b
model.compile(optimizer='adam',loss='mse')
history = model.fit(x, y, epochs=5000)
model.predict(x)
model.predict(pd.Series([20]))

多层(隐含层)：

x=data.iloc[:,1:-1]
y=data.iloc[:,-1]
model = tf.keras.Sequential([tf.keras.layers.Dense(10, input_shape=(3,),activation='relu',
        					 tf.keras.layers.Dense(1)]
 						   )
model.summary()
model.compile(optimizer='adam',loss='mse')
model.fit(x, y, epochs=100)
model.predict()

逻辑回归：二分类（sigmoid）

import tensorflow as tf 
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
data = pd.read_csv('dataset/credit_a.csv',header=None)
data.head()
x=data.iloc[:,:-1]
y=data.iloc[;,-1].replace(-1,0)  #用0替代-1
model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(4, input_shape=(15,),activation='relu'))
model.add(tf.keras.layers.Dense(4, activation='relu'))
model.add(tf.keras.layers.Dense(1, activation='sigmoid'))
model.summary()
model.compile(optimizer='adam',
			  loss='binary_crossentropy',
			  metrics=['acc']
)
history = model.fit(x, y, epochs=100)
history.history.keys()
plt.plot(history.epoch, history.history.get('loss')
plt.plot(history.epoch, history.history.get('acc')
model.predict()

softmax: 多分类

loss为sparse_categorical_crossentropy

import tensorflow as tf 
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

(train_image,train_lable),(test_image, test_lable) = tf.keras.datasets.fashion_mnist.load_data()
train_image = train_image/255
test_image = test_image/255
model = tf.keras.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28,28)))
model.add(tf.keras.layers.Dense(128,activation='relu'))
model.add(tf.keras.layers.Dense(10,activation='softmax'))
model.compile(optimizer='adam',
			  loss='sparse_categorical_crossentropy',
			  metrics=['acc']
)
model.fit(train_image, train_lable, epochs=5)
model.evaluate(test_image, test_lable)

上面的转成独热码：loss为categorical_crossentropy

train_lable_onehot = tf.keras.utils.to_categorical(train_lable)
test_lable_onehot = tf.keras.utils.to_categorical(test_lable)
model = tf.keras.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28,28)))
model.add(tf.keras.layers.Dense(128,activation='relu'))
model.add(tf.keras.layers.Dense(10,activation='softmax'))
model.compile(optimizer='adam',
			  loss='categorical_crossentropy',
			  metrics=['acc']
)
model.fit(train_image, train_lable_onehot, epochs=5)
model.evaluate(test_image, test_lable_onehot)
predict = model.predict(test_image)

优化器：

SGD:     随机梯度下降优化器
RMSProp：
Adam：   

//----调整超参数：学习速率------------
model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.01),
			  loss='categorical_crossentropy',
			  metrics=['acc']
)

查看过拟合：在训练数据上得分高，在测试数据上得分相当低，
久拟合：在训练数据上得分低，在测试数据上得分相当低，增加网络深度

history = model.fit(train_image, train_lable_onehot, epochs=10,
					validation_data = (test_image, test_lable_onehot))
history.history.keys()
plt.plot(history.epoch, history.history.get(loss), label='loss')
plt.plot(history.epoch, history.history.get(val_loss), label='val_loss')
plt.legend()

plt.plot(history.epoch, history.history.get(acc), label='acc')
plt.plot(history.epoch, history.history.get(val_acc), label='val_acc')
plt.legend()

参数选择原则：
首先开发一个过拟合模型（1、更多的层；2、每一层更大；3、训练更多轮次）
而后抑制过拟合（1、dropout；2、正则化；3、图像增强；4、增强训练数据）
再次调节超参数（学习速率、隐藏层单元数、训练轮次）

model = tf.keras.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28,28)))
model.add(tf.keras.layers.Dense(128,activation='relu'))
model.add(tf.keras.layers.Dropout(0.5))
model.add(tf.keras.layers.Dense(128,activation='relu'))
model.add(tf.keras.layers.Dropout(0.5))
model.add(tf.keras.layers.Dense(128,activation='relu'))
model.add(tf.keras.layers.Dropout(0.5))
model.add(tf.keras.layers.Dense(10,activation='softmax'))

函数式api：可实现多输入

from tensorflow import keras
input = keras.Input(shape=(28, 28))
x = keras.layers.Flatten()(input)
x = keras.layers.Dense(32, activation='relu')(x)
x = keras.layers.Dropout(0.5)(x)
x = keras.layers.Dense(64, activation='relu')(x)
output = keras.layers.Dense(10, activation='softmax')(x)
model = keras.Model(inputs=input, outputs=output)
model.summary()

tf.sata 输入模块
计算机视觉 卷积神经网络
tf.keras高阶API实例
Eager模式与自定义训练
Tensorboard可视化
自定义训练综合实例与图片增强
使用预训练网络（迁移学习）
多输出模型实例
模型的保存与恢复
图像定位
自动图运算与GPU使用策略
图像语义分割
RNN循环神经网络
RNN序列预测实例-空气污染预测
使用免费GPU加速训练

欢迎分享，转载请注明来源：内存溢出

原文地址: https://www.outofmemory.cn/zaji/5721283.html

赞 (0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
万利达平板 万利达平板 一级用户组
0 0
上一篇 2022-12-18
下一篇 2022-12-18

发表评论

登录后才能评论

评论列表（0条）

保存