帶你初步了解 TensorFlow 的安裝

2023-01-06 19:19:16

我們可以使用 TensorFlow 來快速地構建神經網絡，同時快捷地進行網絡的訓練、評估與保存。

1.基本簡介與理解

1.1 簡介

作為一個全面靈活的開源機器學習平臺，我們可以借助TensorFlow 創建適用于桌面、移動、Web 和云環境的機器學習模型，也可以簡單說TensorFlow 是一個開源的機器學習的框架，我們可以使用 TensorFlow 來快速地構建神經網絡，同時快捷地進行網絡的訓練、評估與保存。

我們在安裝TensorFlow之后,每次使用可以直接進行導入方便快捷

import TensorFlow as tf

TensorFlow官方網站如下:

??關于TensorFlow | TensorFlow中文官網 (google.cn)??

1.2 優劣勢分析與架構解讀

1.2.1 優勢

● 靈活性強：只要計算能表示為計算流圖，都可以使用TF。

● 真正的可移植性：支持臺式機、服務器（CPU、GPU均可）、嵌入式設備。

● 多語言支持：基于Python，也提供C++使用界面、Ipython交互界面。

● 可視化工具：TensorFlow提供一個強大的可視化工具，TensorBoard。

● 豐富的封裝庫支持：TFlearn、TF-Slim、Keras等。

1.2.2 劣勢

● 不支持Windows

除了TensorFlow所擁有的所有優勢外，它對Windows用戶的功能非常有限。對于Linux用戶則是非常友好的.

● 支持GPU

TensorFlow只有NVIDIA對GPU的支持和Python編程語言對GPU編程的支持。

1.2.3 TensorFlow架構解讀

第一層：設備通信層，由設備層和網絡層組成,負責網絡通信和設備管理。設備管理可以實現TF設備異構的特性，設備層支持CPU、GPU、Mobile等不同設備的通信實現。網絡通信依賴??gRPC??通信協議實現不同設備間的數據傳輸和更新。

第二層：Kernel 實現層，以Tensor為處理對象，依賴網絡通信和設備內存分配，實現了各種Tensor操作或計算,主要是機器學習的內核實現。

第三層：圖計算層，由分布式主控和數據流執行器組成,包含本地計算流圖和分布式計算流圖的實現。分布式主控根據負載能力將不同的工作量分配在不同的設備上,數據流執行器基于最好的實驗方式來執行數據流圖.

第四層: API接口層，C API是對TF功能模塊的接口封裝，它是用C語言實現的。選擇C語言是因為它是一種底層語言,簡單快速、可靠，并且可以在任何操作系統上運行。

第五層: Client 層，Python,C++等編程語言在應用層通過API接口層調用TF核心功能實現相關實驗和應用。

而TensorFlow的最后一層包含用python和C++實現的訓練和推理庫。

想全面了解TensorFlow入門實操的基礎理論和設計思路，可以到中國大學 MOOC 學習??《 TensorFlow 入門實操課程》??，快速上手TensorFlow基本應用和實踐。

2.安裝和使用

2.1 安裝

此處以Ubuntu 16.04 或更高版本（64 位）為例進行講解

2.1.1 使用pip安裝

PIP 是一種包管理系統，用于安裝和管理用 Python 寫的軟件包。

首先我們需要安裝python環境, 需要使用 Python 3.6-3.9 和 pip 19.0 及更高版本.如果不確定我們是否已經安裝,可以通過版本檢查的方式進行查看,確保后續可以繼續進行.

python3 –version
pip3 --version

如果沒有安裝,請參考如下代碼:

sudo apt update
sudo apt install python3-dev python3-pip python3-venv

重點: 其實,此處針對python的安裝我更建議安裝anaconda,這樣可以省很多的事情, anaconda包含了conda、Python等190多個科學包及其依賴項. 能減少各種庫問題，版本問題.

其次我們需要建立環境,此處建議是安裝虛擬環境

最后我們激活虛擬環境,然后在虛擬環境下進行TensorFlow pip 軟件包的安裝

pip install --upgrade TensorFlow

安裝結束以后可以進行驗證,確保安裝成功

python -c "import TensorFlow

2.1.2 源碼編譯安裝

git clone --recurse-submodules
https://github.com/TensorFlow/TensorFlow

安裝

參考 ??http://bazel.io/docs/install.html??

配置./configure 根據你的實際情況如實回答一系列問題。回答之后 bazel 會對環境進行配置，此時需要機器可以訪問外網，便于獲取一些編譯依賴包。一些包可能需要翻墻。

編譯

bazel build -c opt --config=cuda
//TensorFlow/tools/pip_package:build_pip_package

2.1.3 Docker 鏡像安裝

Docker 是一個開源的應用容器引擎，讓開發者可以打包他們的應用以及依賴包到一個可移植的容器中，然后發布到任何流行的 Linux 機器上，也可以實現虛擬化。

當你通過 Docker 安裝和運行 TensorFlow 時，它與你機器上之前已安裝的軟件包完全隔離。

官方鏡像

官方提供了 4 個 Docker 鏡像可供使用：

僅 CPU 版，無開發環境：gcr.io/TensorFlow/TensorFlow

僅 CPU 版，有開發環境：gcr.io/TensorFlow/TensorFlow:latest-devel

支持 GPU，無開發環境：gcr.io/TensorFlow/TensorFlow:latest-gpu

支持 GPU，有開發環境：gcr.io/TensorFlow/TensorFlow:latest-devel-gpu

創建 Docker 用戶組

允許普通用戶無需 sudo 即可啟動容器。

usermod -a -G docker 用戶名

啟動 Docker 容器

我使用的是支持GPU的版本所以選擇第四個進行安裝.大家看自己的電腦支持什么版本然后對應命令下載即可.

docker run -it 
gcr.io/TensorFlow/TensorFlow

2.2使用

2.2.1占位符

語法: tf.compat.v1.placeholder(dtype, shape=None, name=None)

例子1:

w =
tf.constant([1, 1, 2, 2, 3, 3], shape=[2, 3])
h =
tf.constant([7, 7, 9, 9, 11, 11], shape=[3, 2])
#下面語法表示的是兩個矩陣相乘
l
= tf.matmul(w, h)

with
tf.Session() as
print(sess.run([a,b,c]))

例子2:

首先import進行導入
import TensorFlow as tf
w = tf.placeholder(dtype=tf.float32)
h = tf.placeholder(dtype=tf.float32)
sum = tf.add(w,h)
## 填充數據時，使用run()方法的feed_dict參數指定張量對應的值即可，數據格式和字典類似。

with tf.Session() as sess:
    # 填充占位符，填充形式類字典
    res
= sess.run(sum, feed_dict={w: [5], h: [6]})
print(res)

具體的參數說明:

● dtype：張量中元素的數據類型，將被輸入。

● shape : 默認為None：將被輸入的張量的形狀，它是一個可選參數。如果沒有指定形狀，人們可以輸入任何形狀的張量。

● name: 默認為None：操作的名稱，可選參數。

2.2.2變量

Variable()構造函數希望變量有一個初始值，它可以是任何種類或形狀的Tensor。變量的類型和形式由其初始值定義。形狀和變量一旦被創建就會被固定下來。

在眾多的參數中,需要注意的是validate_shape : 默認為True。如果是False，允許變量以未知的形狀值初始化。如果是True，初始值的形狀必須是已知的，這是默認的。

2.2.2.1創建變量

最常見的創建變量方式是使用Variable()構造函數。

import TensorFlow as tf
v = tf.Variable([1,2,3,4,5,6])   #創建變量v，為一個array
print(v) 
#查看v的shape，不是v的值。
## 結果是： <tf.Variable 'Variable:0' shape=(6,), numpy=array([1,2,3,4,5,6],dtype=int32)>
with tf.Session() as sess:
   
sess.run(v.initializer)     ##運行變量的initializer。調用op之前，所有變量都應被顯式地初始化過。
sess.run(v)     ##查看v的值，結果是：array([1,2,3,4,5,6])

注意: 我們在進行初始化的時候也可以按如下書寫

init = tf.global_variables_initializer()#全局變量初始化
with tf.Session() as sess:
sess.run(init)

2.2.2.2分配或修改變量中的元素

我們使用assign()方法來修改這個變量。

示例一:assign用來更新值

w = tf.Variable([3, 4,5,6])
w [1].assign(2)
w

輸出結果如下:

<tf.Variable ‘Variable:0’ shape=(4,),
numpy=array([3, 2,5,6], dtype=int32)>
## 我們在此處使用assign將數組中的索引為1的值由4更新為2

示例二 : assign_add()用來添加變量值

# create variable
w = tf.Variable([3, 4,5,6])
# using assign_add() function
w.assign_add([1, 1,1,1])
w

輸出結果如下:

<tf.Variable ‘Variable:0’ shape=(4,),
numpy=array([4, 5,6,7], dtype=int32)>
## 我們在此處使用assign_add()將數組中的每一個數值加1進行輸出

示例三: assign_sub()用來從變量中減去值

# create variable
w = tf.Variable([3, 4,5,6])
# using assign_add() function
w.assign_sub([1, 1,1,1])
w
<tf.Variable ‘Variable:0’ shape=(4,),
numpy=array([2, 3,4,5], dtype=int32)>
## 我們在此處使用assign_sub()將數組中的每一個數值減1進行輸出

2.2.2.3改變變量的形狀

tf.reshape()方法用于改變變量的形狀。必須傳遞變量和形狀。

import TensorFlow as tf
w= tf.Variable([[3, 5, 6, 7]])
tf.reshape(w, shape=(2, 2))
w

輸出結果如下:

<tf.Tensor: shape=(2, 2), ,
numpy=array([[3, 5],[6, 7]], dtype=int32)>

2.2.3 Session會話

TensorFlow中只有讓Graph（計算圖）上的節點在Session（會話）中執行，才會得到結果。Session的開啟涉及真實的運算，因此比較消耗資源。在使用結束后，務必關閉Session。?

方式一進行手動關閉:

import TensorFlow as tf
w= tf.constant(8, dtype=tf.int8)
h = tf.constant(6, dtype=tf.int8)
result= w + h
sess = tf.Session()
sess.run(result)    #執行運算
sess.close()       #手動關閉session

方式二進行自動關閉(使用到with語句):

import TensorFlow as tf
w= tf.constant(8, dtype=tf.int8)
h = tf.constant(6, dtype=tf.int8)
result= w + h
with tf.Session() as sess:   #運算結束后session自動關閉
sess.run(res)

安裝好TensorFlow后，初步入門機器學習的同學可以到中國大學MOOC上學習??《 TensorFlow 入門實操課程》??，快速了解如何使用TensorFlow建立和訓練神經網絡、用自然語言處理系統教會機器理解、分析和回應人類的言語、構建和訓練模型等基本理論。我推薦對模型部署有需求的同學可以去了解??《 TensorFlow 入門課程 - 部署篇》?，高效掌握在多種生產場景下靈活部署模型的技巧。大家也可以在??TensorFlow官網?（https://tensorflow.google.cn/）上探索更多學習資源，持續精進機器學習知識與技能！

作者介紹

張云波，活躍的IT網紅講師，擁有學員31w+，國內早期開始和發布蘋果Swift、安卓Kotlin、微信小程序、區塊鏈技術的講師之一。主攻前端開發、iOS開發、Android開發、Flutter開發、區塊鏈Dapp開發，有豐富的大公司和海外工作經驗。

責任編輯：張燕妮

TensorFlow