從零開始學TensorFlow
前言
隻有光頭才能變強。
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着我的筆記，一起學學呗(反正沒壞處)~
前面回顧：
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，本次下載下傳的版本是
3.5.6
我安裝Python所使用方法的大緻步驟：
- 安裝Homebrew
- 安裝pyenv
- 在
.bash_profile
- 讓環境變量生效
- 安裝
3.X版本python
詳情可參考如下的連結(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：
- pyenv相關的指令(常用的pyenv指令):
在安裝Python的時候也發現了一個小知識點：
- Mac一般使用bash作為預設的shell，會有好幾個環境變量，其中
etc/profile
~/.bash_profile
- 如果修改的是系統級别的環境變量，也就是
etc/profile
:wq
(至于TensorFlow和numpy依賴的下載下傳，這裡我就不說了，就兩條指令就搞掂啦)
1.2PyCharm編輯器
Java有
IDEA
神器，同樣的，Python也有
PyCharm
，同樣是JetBrains出産的。
我在之前從來沒使用過PyCharm，也沒寫過一句的Python代碼。
把Pycharm安裝好了之後，我想當然就
new project
去用了，然後就
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環境下卻識别不出來！在指令行視窗下，依賴是存在的！
後來才發現：如果用PyCharm去new一個project，會預設建一個解析器在目前的項目目錄下。而PyCharm會遵守“就近原則”使用目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，這就導緻了在指令行下找到依賴，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中卻無法識别的問題；以及pycharm安裝第三方庫的方法解析
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....)
官網的Demo連結(需要科學上網)：
首先我們來看一下這個例子可以幹些什麼：我們有非常多張的圖檔(資料集)，這些圖檔有不同的類型(比如衣服、鞋子、褲子，一共有10種類型)，把這些資料集扔進我們的神經網絡裡頭，生成出模型。有了模型以後，當我們再将類似的圖檔扔進去，這個模型可以幫我們預測這張圖檔是衣服還是鞋子還是褲子。
随後，我跟着官網的代碼跑了一(代碼我都隻是一步一步複制粘貼)，最後跑起來：
# TensorFlow and tf.keras
import tensorflow as tf
from tensorflow import keras
# Helper libraries
import numpy as np
print(tf.__version__)
# 加載資料、區分出測試資料和訓練資料
# 注意：如果已經下過，重複下載下傳的話，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()
# 分類的清單
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
# 檢視資料的值
print(train_images.shape) # 樣本的shape(可以看出有多少條樣本、次元)
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，對應上面分類清單(從0到9)
# 對測試資料和訓練資料進行預處理(實際上就是歸一化)
train_images = train_images / 255.0
test_images = test_images / 255.0
# 設定層 (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、名額
model.compile(optimizer=tf.train.AdamOptimizer(),
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# 将訓練集丢進去，訓練出模型(Model)
model.fit(train_images, train_labels, epochs=5)
# 将測試資料丢到模型中，評估一下得分(準确率)
test_loss, test_acc = model.evaluate(test_images, test_labels)
print('Test accuracy:', test_acc)
# 評估完準确率以後，我們可以對測試資料進行預測
predictions = model.predict(test_images)
# 選第一個樣本預測後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：
(後期注釋：這是TensorFlow的版本)
1.12.0
(後期注釋：這是TensorFlow下載下傳資料集的日志)
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.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 (後期注釋：樣本的shape)
(60000, 28, 28)
(後期注釋：樣本有多少條，對應的label就有多少條)
60000
(後期注釋：label的值是從0-9，表示有九種類别)
[9 0 0 ... 3 0 5]
(後期注釋：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 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 (後期注釋：預測出來的精确度)
Test accuracy: 0.8514
(後期注釋：選第一個樣本進行預測，并對比實際的結果)
9
9 - TensorFlow官網的例子(需要科學上網才能進..)
- Tensorflow學習筆記之一：訓練你的第一個神經網絡——基礎分類
2.1總結一下使用TensorFlow的步驟
- 加載資料：使用dataset的api加載資料，并将資料集分成訓練資料和測試資料
- 檢查資料：檢查dataSet的資料有沒有問題(例如，樣本的記錄數、label的記錄數等)
- 對資料預處理：對測試資料和訓練資料進行歸一化處理，目的：減少因為數值的大小所帶來的影響(一般我們會将值都縮小在一個小的範圍内)
- 建立神經網絡：(輸入層、隐藏層、輸出層)
- 為模型定義損失函數、優化器、名額
- 将訓練資料丢進我們的神經網絡中，生成出Model
- 将測試資料丢進我們生成好的Model進行評估，預測出我們的準确率
三、TensorFlow介紹
3.1什麼是TensorFlow
如果去Google搜關鍵字“TensorFlow”，那可能你會看到這麼一句話：
An open source machine learning framework for everyone.
沒錯，TensorFlow就是一個機器學習的架構。至于架構，相信大家也比較好了解了；類比到Java，比如說我們的Spring架構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作為機器學習的架構，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，沒想到那麼少的代碼就可以跑機器學習的“HelloWorld”了！
至于機器學習和神經網絡的相關基礎，我強烈建議讀讀這兩篇文章！通俗易懂的科普文章：
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的一個架構。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 是一種全功能的程式設計語言，可以實作各種出色的效果。HTML 是用于表示某種類型的實用計算抽象（這裡指的是可由 Web 浏覽器呈現的内容）的架構。Javascript 在互動式網頁中的作用是組裝浏覽器看到的 HTML 對象，然後在需要時通過将其更新為新的 HTML 來與其互動。
- 作者：AI前線
- 連結： https://juejin.im/post/5b345a49f265da599c561b25
下面再來看看TensorFlow的架構圖(Python隻是對TensorFlow進行了封裝)
TensorFlow的引擎也是分了很多子產品的(這裡我們簡單了解一下)：
最後
總結一下這篇文章：
- 安裝TensorFlow必要的環境
- 跟着官方文檔，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)的架構，提供了很多實用的API友善我們去玩機器學習(深度學習)。
相信看到這裡，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。然後就循環懵逼..
while(true){
// 循環懵逼..
}
其實回想剛學Java的時候，也是這麼一個過程，當你從螢幕看到“HelloWorld”了以後，大機率來說也是不了解相關的API具體做了什麼事(甚至連API都不知道是啥意思)。但花一段時間去學習了以後，就會發現，原來HelloWorld是真的簡單！
public static void main(String[] args) {
System.out.println("Hello World");
}
後續我會繼續更新我學習TensorFlow時的一些筆記，有興趣的小夥伴不妨跟着我一起學習~
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。
原文位址
https://www.cnblogs.com/Java3y/p/10500623.html