从零开始学TensorFlow【01-搭建环境、HelloWorld篇】

逃离我推掉我的手 2021-09-30 22:28 368阅读 0赞

## 前言 ##

> 只有光头才能变强。
> 
>   
> 
> 
> 文本已收录至我的GitHub仓库，欢迎Star：https://github.com/ZhongFuCheng3y/3y

![640?wx\_fmt=png][640_wx_fmt_png] TensorFlow  logo

最近在学习TensorFlow的相关知识，了解了TensorFlow一些基础的知识，现在周末有空了，就写写一些笔记，记录一下自己的成长~

总的来说，TensorFlow还是一个比较新的技术，有兴趣的同学不妨跟着我的笔记，一起学学呗(反正没坏处)~

前面回顾：

> 知识背景：没有Python基础，没有机器学习基础，可以说是真正从零学TensorFlow的了。

## 一、安装Tensorflow所需要的环境 ##

### 1.1安装Python环境 ###

> 使用环境：**Mac**

Python有好多个版本，在Mac中自带的Python版本是`2.7`，但相对而言比较老了。现在一般用`Python3.x`了，本次下载的版本是`3.5.6`

我安装Python所使用方法的大致步骤：

详情可参考如下的链接(总的来说，我根据下面的教程一下子就安装了我想要的Python版本，还是非常不错的。)：

在安装Python的时候也发现了一个小知识点：

(至于TensorFlow和numpy依赖的下载，这里我就不说了，就两条命令就搞掂啦)

### 1.2PyCharm编辑器 ###

Java有`IDEA`神器，同样的，Python也有`PyCharm`，同样是JetBrains出产的。

> 我在之前从来没使用过PyCharm，也没写过一句的Python代码。

把Pycharm安装好了之后，我想当然就`new project`去用了，然后就`next,next,next`，当成IDEA来用。但发现了一个问题：我在之前**明明装好了**TensorFlow和numpy的依赖，在PyCharm环境下却**识别不出来**！在**命令行**窗口下，依赖是存在的！

后来才发现：如果用PyCharm去new一个project，会**默认建一个解析器**在当前的项目目录下。而PyCharm会遵守“就近原则”使用当前项目路径下的解析器。而我们添加的依赖(TensorFlow、numpy)是在我们安装Python的路径下的，这就导致了在命令行下找到依赖，而在PyCharm中找不到依赖。

解决也很简单：在PyCharm**指定**一下我们安装Python的路径，切换一下就好了。

参考资料：

## 二、体验TensorFlow ##

好的，我们现在已经安装好TensorFlow所需要的环境了！(看起来好简单，但还是花了我不少时间….)

官网的Demo链接(需要科学上网)：

首先我们来看一下这个例子可以干些什么：我们有非常多张的图片(**数据集**)，这些图片有不同的类型(比如衣服、鞋子、裤子，**一共有10种类型**)，把这些数据集扔进我们的神经网络里头，生成出**模型**。有了模型以后，当我们再将类似的图片扔进去，这个模型可以帮我们**预测**这张图片是衣服还是鞋子还是裤子。

![640?wx\_fmt=png][640_wx_fmt_png 1] 数据集

随后，我跟着官网的代码跑了一(代码我都只是一步一步**复制粘贴**)，最后跑起来：

# TensorFlow and tf.kerasimport tensorflow as tffrom tensorflow import keras# Helper librariesimport numpy as npprint(tf.__version__)# 加载数据、区分出测试数据和训练数据# 注意：如果已经下过，重复下载的话，可能会出现EOFError: Compressed file ended before the end-of-stream marker was reached错误fashion_mnist = keras.datasets.fashion_mnist(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()# 分类的列表class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']# 查看数据的值print(train_images.shape)  # 样本的shape(可以看出有多少条样本、维度)print(len(train_labels))  # label的个数，有多少个样本，就应该有多少个labelprint(train_labels)  # label的值，对应上面分类列表(从0到9)# 对测试数据和训练数据进行预处理(实际上就是归一化)train_images = train_images / 255.0test_images = test_images / 255.0# 设置层  (初始处理)--- 建立神经层model = keras.Sequential([    keras.layers.Flatten(input_shape=(28, 28)),    keras.layers.Dense(128, activation=tf.nn.relu),    keras.layers.Dense(10, activation=tf.nn.softmax)])# 损失函数、优化器、指标model.compile(optimizer=tf.train.AdamOptimizer(),              loss='sparse_categorical_crossentropy',              metrics=['accuracy'])# 将训练集丢进去，训练出模型(Model)model.fit(train_images, train_labels, epochs=5)# 将测试数据丢到模型中，评估一下得分(准确率)test_loss, test_acc = model.evaluate(test_images, test_labels)print('Test accuracy:', test_acc)# 评估完准确率以后，我们可以对测试数据进行预测predictions = model.predict(test_images)# 选第一个样本预测后的得出最有可能结果print(np.argmax(predictions[0]))# 对比结果print(test_labels[0])
    import tensorflow as tf
    from tensorflow import keras
    
    # Helper libraries
    import numpy as np
    
    print(tf.__version__)
    
    # 加载数据、区分出测试数据和训练数据
    # 注意：如果已经下过，重复下载的话，可能会出现EOFError: Compressed file ended before the end-of-stream marker was reached错误
    
    fashion_mnist = keras.datasets.fashion_mnist
    (train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
    
    # 分类的列表
    class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
                   'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
    
    # 查看数据的值
    print(train_images.shape)  # 样本的shape(可以看出有多少条样本、维度)
    print(len(train_labels))  # label的个数，有多少个样本，就应该有多少个label
    print(train_labels)  # label的值，对应上面分类列表(从0到9)
    
    
    # 对测试数据和训练数据进行预处理(实际上就是归一化)
    train_images = train_images / 255.0
    test_images = test_images / 255.0
    
    # 设置层  (初始处理)--- 建立神经层
    model = keras.Sequential([
        keras.layers.Flatten(input_shape=(28, 28)),
        keras.layers.Dense(128, activation=tf.nn.relu),
        keras.layers.Dense(10, activation=tf.nn.softmax)
    ])
    
    
    # 损失函数、优化器、指标
    model.compile(optimizer=tf.train.AdamOptimizer(),
                  loss='sparse_categorical_crossentropy',
                  metrics=['accuracy'])
    
    # 将训练集丢进去，训练出模型(Model)
    model.fit(train_images, train_labels, epochs=5)
    
    # 将测试数据丢到模型中，评估一下得分(准确率)
    test_loss, test_acc = model.evaluate(test_images, test_labels)
    print('Test accuracy:', test_acc)
    
    # 评估完准确率以后，我们可以对测试数据进行预测
    predictions = model.predict(test_images)
    
    # 选第一个样本预测后的得出最有可能结果
    print(np.argmax(predictions[0]))
    
    # 对比结果
    print(test_labels[0])

跑出来的结果：

**(后期注释：这是TensorFlow的版本)**

`1.12.0`

**(后期注释：这是TensorFlow下载数据集的日志)**

Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-labels-idx1-ubyte.gz32768/29515 [=================================] - 0s 3us/stepDownloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-images-idx3-ubyte.gz26427392/26421880 [==============================] - 12s 0us/stepDownloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-labels-idx1-ubyte.gz8192/5148 [===============================================] - 0s 0us/stepDownloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-images-idx3-ubyte.gz4423680/4422102 [==============================] - 2s 0us/step//storage.googleapis.com/tensorflow/tf-keras-datasets/train-labels-idx1-ubyte.gz
    32768/29515 [=================================] - 0s 3us/step
    Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-images-idx3-ubyte.gz
    
    26427392/26421880 [==============================] - 12s 0us/step
    Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-labels-idx1-ubyte.gz
    8192/5148 [===============================================] - 0s 0us/step
    Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-images-idx3-ubyte.gz
    
    4423680/4422102 [==============================] - 2s 0us/step

**(后期注释：样本的shape)**

`(60000, 28, 28)`

**(后期注释：样本有多少条，对应的label就有多少条)**

`60000`

**(后期注释：label的值是从0-9，表示有九种类别)**

`[9 0 0 ... 3 0 5]`

**(后期注释：开始训练)**

Epoch 1/52019-02-19 14:00:46.842852: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA60000/60000 [==============================] - 4s 65us/step - loss: 0.4995 - acc: 0.8246Epoch 2/560000/60000 [==============================] - 4s 62us/step - loss: 0.3734 - acc: 0.8655Epoch 3/560000/60000 [==============================] - 4s 63us/step - loss: 0.3346 - acc: 0.8788Epoch 4/560000/60000 [==============================] - 4s 63us/step - loss: 0.3102 - acc: 0.8861Epoch 5/560000/60000 [==============================] - 4s 63us/step - loss: 0.2918 - acc: 0.891610000/10000 [==============================] - 0s 36us/step5
    2019-02-19 14:00:46.842852: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA
    
    60000/60000 [==============================] - 4s 65us/step - loss: 0.4995 - acc: 0.8246
    Epoch 2/5
    60000/60000 [==============================] - 4s 62us/step - loss: 0.3734 - acc: 0.8655
    Epoch 3/5
    60000/60000 [==============================] - 4s 63us/step - loss: 0.3346 - acc: 0.8788
    Epoch 4/5
    60000/60000 [==============================] - 4s 63us/step - loss: 0.3102 - acc: 0.8861
    Epoch 5/5
    60000/60000 [==============================] - 4s 63us/step - loss: 0.2918 - acc: 0.8916
    
    10000/10000 [==============================] - 0s 36us/step

**(后期注释：预测出来的精确度)**

`Test accuracy: 0.8514`

**(后期注释：选第一个样本进行预测，并对比实际的结果)**

参考资料：

### 2.1总结一下使用TensorFlow的步骤 ###

1.  **加载**数据：使用dataset的api加载数据，并将数据集**分成**训练数据和测试数据
2.  **检查**数据：检查**dataSet**的数据有没有问题(例如，样本的记录数、label的记录数等)
3.  对数据**预处理**：对测试数据和训练数据进行**归一化**处理，目的：减少因为数值的大小所带来的影响(**一般我们会将值都缩小在一个小的范围内**)
4.  **建立神经网络**：(输入层、隐藏层、输出层)
5.  为模型定义损失函数、优化器、指标
6.  将训练数据丢进我们的神经网络中，生成出Model
7.  将测试数据丢进我们生成好的Model进行**评估**，预测出我们的准确率

## 三、TensorFlow介绍 ##

### 3.1什么是TensorFlow ###

如果去Google搜关键字“TensorFlow”，那可能你会看到这么一句话：

> An open source machine learning framework for everyone.

没错，TensorFlow就是一个机器学习的**框架**。至于框架，相信大家也比较好理解了；类比到Java，比如说我们的Spring框架给我们封装了好多好用的API，简化我们的开发(想想当年写Servlet的时候！)

TensorFlow作为机器学习的框架，同样也给我们封装了好多好用的API，能够**降低**学习机器学习的**门槛**。

至于机器学习和神经网络的相关基础，我**强烈**建议读读这两篇文章！通俗易懂的**科普**文章：

### 3.2TensorFlow的架构 ###

我们可以发现上面的Demo所用的基础语言是Python，但不要认为TensorFlow就是Python的一个框架。我看到过一个比喻，觉得写得挺好的，粘贴一下：

> Python 和 Tensorflow 之间的联系，可以类比 Javascript 和 HTML 之间的关系。Javascript 是一种全功能的编程语言，可以实现各种出色的效果。HTML 是用于表示某种类型的实用计算抽象（这里指的是可由 Web 浏览器呈现的内容）的框架。Javascript 在交互式网页中的作用是**组装浏览器看到的 HTML 对象**，然后在需要时通过将其更新为新的 HTML 来与其交互。

下面再来看看TensorFlow的架构图(Python**只是**对TensorFlow进行了封装)

![640?wx\_fmt=png][640_wx_fmt_png 2] Python封装了TensorFlow引擎

TensorFlow的引擎也是分了很多模块的(这里我们简单了解一下)：

![640?wx\_fmt=png][640_wx_fmt_png 3] TensorFlow架构

## 最后 ##

总结一下这篇文章：

相信看到这里，很多人都跟我之前一样，**一脸懵逼**。对官方给出的例子中的API不熟悉，去查阅相关资料的时候又发现有好多机器学习相关的**术语**，对这些术语又不了解。然后就循环懵逼..

while(true){    // 循环懵逼..}true){
        
        // 循环懵逼..
    }

其实回想**刚学Java的时候**，也是这么一个过程，当你从屏幕看到“HelloWorld”了以后，**大概率**来说也是不了解相关的API具体做了什么事(甚至连API都不知道是啥意思)。但花一段时间去学习了以后，就会发现，原来HelloWorld是真的简单！

public static void main(String[] args) {    System.out.println("Hello World");}
    
        System.out.println("Hello World");
    
    }

后续我会继续更新我学习TensorFlow时的一些**笔记**，有兴趣的小伙伴不妨跟着我一起学习~

另外，从文章的开头我也已经说了，我对Python、机器学习都是没有相关基础的，如果有写错的地方不妨在评论区留言指正。

下一篇预告：TensorFlow是什么意思？Tensor？Flow？介绍TensorFlow一些最基础的知识以及常见的机器学习术语。

> 乐于输出**干货**的Java技术公众号：Java3y。公众号内有200多篇**原创**技术文章、海量视频资源、精美脑图，不妨来**关注**一下！

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg] 帅的人都关注了有帮助？好看！转发！ ![640][]

[640_wx_fmt_png]: /images/20210827/75114bf7223e48039864822f04e0cd87.png?wx_fmt=png
[640_wx_fmt_png 1]: /images/20210827/0faa09b74a0a45a2a90c38eadf163a44.png?wx_fmt=png
[640_wx_fmt_png 2]: /images/20210827/95cef971389c4b9fb3f9eb277d0c6bb4.png?wx_fmt=png
[640_wx_fmt_png 3]: /images/20210827/d6e2f5b2bea24d1a8826c6c94c6057b2.png?wx_fmt=png
[640_wx_fmt_jpeg]: https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_jpg/2BGWl1qPxib0oSDBE5AoXpDB6kfwRgyib5iax4SppGmm5ucrwnLvmicALWe0X9iaDniakvOJnajBibBhlHzscpiczoBfxw/640?wx_fmt=jpeg
[640]: /images/20210827/af6398f94096449697cf459154f00c04.png