发新帖

tensorflow 从入门到上天教程一

[复制链接]
481 1

快来加入 TensorFlowers 大家庭!

您需要 登录 才可以下载或查看,没有帐号?加入社区

x
tensorflow 是一个google开源的深度学习的框架,执行性能良好,值得使用。
caffe,caffe2 通过配置就可以拼凑一个深度学习框架,大大简化流程但也依赖大量的开源库,性能也不错。2013开始面世,很有活力的一个框架。
keras 这个一个积木式的框架,有很多现成的函数 可以直接拿来用,开发速度杠杠的,就是缺少灵活性。
MXNet 是一个全功能,灵活可编程和高扩展性的深度学习框架,可能学术上用的比较多吧!
Torch 是一个facebook在维护的框架,灵活性也很大,不过要lua语言结合使用;
CNTK微软推出的一个深度学习框架,可以在window上执行,性能据说是最优的,可是使用者不多,可能是市场都被主流的几个占有了;
Deeplearning4j  java的一个深度学习库,不甚了解;
Theano 是一个很古老的框架,在研究室就开始使用,性能比较差,速度最慢的,生产环境不会用的,只是现在有些研究室还在用。
其他:
SciKit-learn 是老牌的开源 Python 算法框架
openCV 是一个图片及视觉算法的框架
=============================================================
最要建议就是学学:
   tensorflow + caffe(caffe2)
其实想深入研究原理也可以简单使用
  numpy + matplotlib
===============================================================
tensorflow的运行规律,就是步骤了:
1, 创建tensorflow变量,初始变量,用于执行的的
2,        设置操作的配置
3,        初始化tensorflow 例子
4,        创建tensorflow session (session是执行引擎)
5,        执行session 即运行你的例子
==============================================================
以上是tensorflow使用的一般步骤,接下来就一个线性回归的例子来,我们先分拆各个代码块来讲解,然后把把代码块合并成一个大的例子。在看tensorflow这个例子,你最好有一些深度学习的基础,以免看得一头雾水。
(1)   loss函数的计算:
   
[url=][/url]
      y_hat = tf.constant(36,name=’y_hat’)      y = tf.constant(39,name=’y’)           loss = tf.Variable((y-y_hat)**2,name=’loss’)      init = tf.global_variables_initializer()      with tf.Session() as session:          session.run(init)             # 初始化全局变量          print(session.run(loss))     # 执行计算 打印出最好loss的值[url=][/url]

(2)   计算返回的机制
a = tf.constant(2)b= ft.constant(2)c=tf.multiply(a,b)print(c)  # 返回结果 Tensor("Mul_1:0", shape=(), dtype=int32)sess=tf.session()print(sess.run(c))  #返回20
(3)   设置容器,然后通过函数赋值,进行计算
x = tf.placeholder(tf.init64,name=’x’)print(sess.run(2*x,feed_dict={x:3}))  #把字典里的值 赋值给我2*xsess.close()
===========================================
2,线性回归计算 函数块
2.1 线性函数的计算
Y=WX+b (X:是一个随机变量,b是一个偏差变量)
预说明:
          tf.matmul(..,..) 是矩阵阶乘的工具
          tf.add(..,..)  矩阵加法函数
          np.random.randn(..) 随机生成正太随机数
[url=][/url]
[url=][/url]
def linear_function()    np.random.seed(1)    X=tf.constant(np.random.randn(3,1),name=”X”)    W=tf.constant(np.random.randn(4,3),name=”W”)     b = tf.constant(np.random.randn(4,1),name=”b”)    Y=tf.add(tf.matmul(W,X),b)    Sess = tf.Session()    result=sess.run(Y)    sess.close()    return resultprint(“result=”+str(linear_function()))[url=][/url]

[url=][/url]

运行结果:
result = [[-2.15657382]
[ 2.95891446]
[-1.08926781]
[-0.84538042]]
2.2 计算sigmoid
如果你学了深度学习一定知道sigmoid 是什么,其实也是数学里的一个函数:y= 1/(1+e^(-x))
   在tensorflow里有专门的sigmoid函数
1)  tf.placeholder(tf.float32,name=””)
2)  tf.sigmoid(..)
3)  sess.run(…,feed_dict={x:z})
方法1 :
      Sess = tf.Session()
      result =sess.run(…,feed_dict ={…})
      sess.close()
方法2:
     With tf.Session as sess:           #会自动关闭session
     result = sess.run(..,feed_dict = {…})
[url=][/url]
def sigmoid(z):    x = tf.placeholder(tf.float32,name = “x”)    sigmoid = tf.sigmoid(x)    with tf.Session() as sess:        result = sess.run(sigmoid,feed_dict = {x:z})    return result[url=][/url]

2.3 损失函数 (成本函数)
在tensorflow 函数里,你可能会用到:
   tf.nn.sigmoid_cross_entropy_with_logits(logits=….,lables=…)
[url=][/url]
def cost(logits,labels):    z = tf.placeholder(tf.float32,name=”z”)    y= tf.placeholder(tf.float32,name=”y”)    cost = tf.nn.sigmoid_cross_entropy_with_logits(logits=z, labels=y)   sess.close()   return cost#测试logits = sigmoid(np.array([0.2,0.4,0.7,0.9]))cost = cost(logits, np.array([0,0,1,1]))print ("cost = " + str(cost))[url=][/url]

# 输出结果:
cost = [ 1.00538719  1.03664076  0.41385433  0.39956617]

2.4 分类映射
把y向量映射成矩阵,然后通过矩阵判断分类,tensorflow有现成的函数:
tf.one_hot(labels,depth,axis)
[url=][/url]
def one_hot_matrix(labels,C):       depth = tf.constant(value=C,name=”C”)       one_hot_matrix = tf.one_hot(labels,depth,axis=0)       sess = tf.Session()       one_hot = sess.run(one_hot_matrix)       sess.close()       return one_hot[url=][/url]

小测:
labels = np.array([1,2,3,0,2,1])one_hot = one_hot_matrix(labels, C = 4)print ("one_hot = " + str(one_hot))
2.5 初始化矩阵
  tf.ones(shape) 跟 numpy的numpy.ones() 差不多
[url=][/url]
def ones(shape):    ones = tf.ones(3)    sess = tf.Session()    ones = tf.run(ones)    sess.close()    return ones    print(“ones =”+str(ones([3])))#输出 ones [1,1,1]    [url=][/url]


先讲到这里,不想篇幅太长。
参考:吴恩达教学视频及其课件 http://mooc.study.163.com/smartSpec/detail/1001319001.htm


本楼点评(0) 收起

精彩评论1

neverchange  TF豆豆  发表于 2018-7-4 23:31:05 | 显示全部楼层
希望楼主能回来调整一下格式,资料是不错得资料,另外你自己能刷出来图吗?我觉得你也刷不出来,为什么不解决一下呢。
本楼点评(0) 收起
您需要登录后才可以回帖 登录 | 加入社区

本版积分规则

快速回复 返回顶部 返回列表