从零开始学TensorFlow
前言
只有光頭才能變強。
文本已收錄至我的GitHub倉庫，歡迎Star：https://github.com/ZhongFuCheng3y/3y
最近在學習TensorFlow的相關知識，了解了TensorFlow一些基礎的知識，現在周末有空了，就寫寫一些筆記，記錄一下自己的成長~
總的來說，TensorFlow還是一個比較新的技術，有興趣的同學不妨跟著我的筆記，一起學學唄(反正沒壞處)~
知識背景：沒有Python基礎，沒有機器學習基礎，可以說是真正從零學TensorFlow的了。
一、安裝Tensorflow所需要的環境
1.1安裝Python環境
使用環境：Mac
Python有好多個版本，在Mac中自帶的Python版本是2.7，但相對而言比較老了。現在一般用Python3.x了，本次下載的版本是3.5.6
我安裝Python所使用方法的大致步驟：
- 安裝Homebrew
- 安裝pyenv
- 在.bash_profile添加環境變量
- 讓環境變量生效
- 安裝3.X版本python
詳情可參考如下的鏈接(總的來說，我根據下面的教程一下子就安裝了我想要的Python版本，還是非常不錯的。)：
-
Mac下安裝多版本python：
- https://www.cnblogs.com/webgiser/p/7463974.html
-
pyenv相關的命令(常用的pyenv命令):
- https://www.jianshu.com/p/af1f8d7b6b31
在安裝Python的時候也發現了一個小知識點：
- Mac一般使用bash作為默認的shell，會有好幾個環境變量，其中etc/profile是系統級的，還有幾個用戶級別的環境變量，比如說：~/.bash_profile
- 如果修改的是系統級別的環境變量，也就是etc/profile，在保存的時候只能是:wq!覆蓋，不然會出現readonly錯誤
(至于TensorFlow和numpy依賴的下載，這里我就不說了，就兩條命令就搞掂啦)
1.2PyCharm編輯器
Java有IDEA神器，同樣的，Python也有PyCharm，同樣是JetBrains出產的。
我在之前從來沒使用過PyCharm，也沒寫過一句的Python代碼。
把Pycharm安裝好了之后，我想當然就new project去用了，然后就next,next,next，當成IDEA來用。但發現了一個問題：我在之前明明裝好了TensorFlow和numpy的依賴，在PyCharm環境下卻識別不出來！在命令行窗口下，依賴是存在的！
后來才發現：如果用PyCharm去new一個project，會默認建一個解析器在當前的項目目錄下。而PyCharm會遵守“就近原則”使用當前項目路徑下的解析器。而我們添加的依賴(TensorFlow、numpy)是在我們安裝Python的路徑下的，這就導致了在命令行下找到依賴，而在PyCharm中找不到依賴。
解決也很簡單：在PyCharm指定一下我們安裝Python的路徑，切換一下就好了。
參考資料：
-
關于pip安裝第三方庫，但pycharm中卻無法識別的問題；以及pycharm安裝第三方庫的方法解析
- https://blog.csdn.net/weixin_41287260/article/details/83957731
二、體驗TensorFlow
好的，我們現在已經安裝好TensorFlow所需要的環境了！(看起來好簡單，但還是花了我不少時間....)
首先我們來看一下這個例子可以干些什么：我們有非常多張的圖片(數據集)，這些圖片有不同的類型(比如衣服、鞋子、褲子，一共有10種類型)，把這些數據集扔進我們的神經網絡里頭，生成出模型。有了模型以后，當我們再將類似的圖片扔進去，這個模型可以幫我們預測這張圖片是衣服還是鞋子還是褲子。
隨后，我跟著官網的代碼跑了一(代碼我都只是一步一步復制粘貼)，最后跑起來：
# TensorFlow and tf.keras import tensorflow as tf from tensorflow import keras# Helper libraries import numpy as npprint(tf.__version__)# 加載數據、區分出測試數據和訓練數據 # 注意：如果已經下過，重復下載的話，可能會出現EOFError: Compressed file ended before the end-of-stream marker was reached錯誤fashion_mnist = keras.datasets.fashion_mnist (train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()# 分類的列表 class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat','Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']# 查看數據的值 print(train_images.shape) # 樣本的shape(可以看出有多少條樣本、維度) print(len(train_labels)) # label的個數，有多少個樣本，就應該有多少個label print(train_labels) # label的值，對應上面分類列表(從0到9)# 對測試數據和訓練數據進行預處理(實際上就是歸一化) train_images = train_images / 255.0 test_images = test_images / 255.0# 設置層 (初始處理)--- 建立神經層 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) ])# 損失函數、優化器、指標 model.compile(optimizer=tf.train.AdamOptimizer(),loss='sparse_categorical_crossentropy',metrics=['accuracy'])# 將訓練集丟進去，訓練出模型(Model) model.fit(train_images, train_labels, epochs=5)# 將測試數據丟到模型中，評估一下得分(準確率) test_loss, test_acc = model.evaluate(test_images, test_labels) print('Test accuracy:', test_acc)# 評估完準確率以后，我們可以對測試數據進行預測 predictions = model.predict(test_images)# 選第一個樣本預測后的得出最有可能結果 print(np.argmax(predictions[0]))# 對比結果 print(test_labels[0])跑出來的結果：
(后期注釋：這是TensorFlow的版本)
1.12.0
(后期注釋：這是TensorFlow下載數據集的日志)
Downloading data from https://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.gz26427392/26421880 [==============================] - 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.gz4423680/4422102 [==============================] - 2s 0us/step(后期注釋：樣本的shape)
(60000, 28, 28)
(后期注釋：樣本有多少條，對應的label就有多少條)
60000
(后期注釋：label的值是從0-9，表示有九種類別)
[9 0 0 ... 3 0 5]
(后期注釋：開始訓練)
Epoch 1/5 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 FMA60000/60000 [==============================] - 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: 0.891610000/10000 [==============================] - 0s 36us/step(后期注釋：預測出來的精確度)
Test accuracy: 0.8514
(后期注釋：選第一個樣本進行預測，并對比實際的結果)
9 9參考資料：
-
Tensorflow學習筆記之一：訓練你的第一個神經網絡——基礎分類
- https://www.jianshu.com/p/d4fb3a391d22
2.1總結一下使用TensorFlow的步驟
三、TensorFlow介紹
3.1什么是TensorFlow
如果去Google搜關鍵字“TensorFlow”，那可能你會看到這么一句話：
An open source machine learning framework for everyone.
沒錯，TensorFlow就是一個機器學習的框架。至于框架，相信大家也比較好理解了；類比到Java，比如說我們的Spring框架給我們封裝了好多好用的API，簡化我們的開發(想想當年寫Servlet的時候！)
TensorFlow作為機器學習的框架，同樣也給我們封裝了好多好用的API，能夠降低學習機器學習的門檻。
- 就拿上面的例子來說，沒想到那么少的代碼就可以跑機器學習的“HelloWorld”了！
3.2TensorFlow的架構
我們可以發現上面的Demo所用的基礎語言是Python，但不要認為TensorFlow就是Python的一個框架。我看到過一個比喻，覺得寫得挺好的，粘貼一下：
Python 和 Tensorflow 之間的聯系，可以類比 Javascript 和 HTML 之間的關系。Javascript 是一種全功能的編程語言，可以實現各種出色的效果。HTML 是用于表示某種類型的實用計算抽象（這里指的是可由 Web 瀏覽器呈現的內容）的框架。Javascript 在交互式網頁中的作用是組裝瀏覽器看到的 HTML 對象，然后在需要時通過將其更新為新的 HTML 來與其交互。
- 作者：AI前線
- 鏈接：https://juejin.im/post/5b345a49f265da599c561b25
下面再來看看TensorFlow的架構圖(Python只是對TensorFlow進行了封裝)
TensorFlow的引擎也是分了很多模塊的(這里我們簡單了解一下)：
最后
總結一下這篇文章：
- 安裝TensorFlow必要的環境
-
跟著官方文檔，體驗一下TensorFlow(機器學習)的“HelloWorld”
- 根據給出的例子，猜出使用TensorFlow(機器學習)時需要做哪些步驟
- TensorFlow就是一個機器學習(深度學習)的框架，提供了很多實用的API方便我們去玩機器學習(深度學習)。
相信看到這里，很多人都跟我之前一樣，一臉懵逼。對官方給出的例子中的API不熟悉，去查閱相關資料的時候又發現有好多機器學習相關的術語，對這些術語又不了解。然后就循環懵逼..
while(true){// 循環懵逼.. }其實回想剛學Java的時候，也是這么一個過程，當你從屏幕看到“HelloWorld”了以后，大概率來說也是不了解相關的API具體做了什么事(甚至連API都不知道是啥意思)。但花一段時間去學習了以后，就會發現，原來HelloWorld是真的簡單！
public static void main(String[] args) {System.out.println("Hello World");}后續我會繼續更新我學習TensorFlow時的一些筆記，有興趣的小伙伴不妨跟著我一起學習~
另外，從文章的開頭我也已經說了，我對Python、機器學習都是沒有相關基礎的，如果有寫錯的地方不妨在評論區留言指正。
下一篇預告：TensorFlow是什么意思？Tensor？Flow？介紹TensorFlow一些最基礎的知識以及常見的機器學習術語。
樂于輸出干貨的Java技術號：Java3y。號內有200多篇原創技術文章、海量視頻資源、精美腦圖，不妨來關注一下！
覺得我的文章寫得不錯，不妨點一下贊！
總結
以上是生活随笔為你收集整理的从零开始学TensorFlow的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： PCB设计必知：布局及设计规范
- 下一篇： 定义一个数组返回最大子数组的值（2）