【tensorflow】tensorflow的安装及应用

安装tensorflow的三种方法

1.在cmd命令行中输入pip install tensorflow，默认安装最新版

2.其他旧版本的安装，去pypi.org官网

可以点击release history选择想要的版本进行安装

3.安装包安装，找到download files，选择与自己系统匹配的文件进行下载

下载完成后，在cmd命令行中输入 pip install 把下载好的安装包拖进来即可

安装tensorflow出现的问题

我自己选择了第一种方法的安装，安装结束后去pycharm导入模块之后报错，提示没有tensorflow，在网上查找解决方法后发现是没有安装到相应位置。

解决方法：

在cmd命令行中输入activate zjj（这是我之前用anaconda创建的名为zjj的python3.6环境）进入之前创建好的环境

再次输入pip install tensorflow进行安装

之后就提示安装成功tensorflow以及相应的依赖包了，再次进入pycharm导入模块就成功了（注意pycharm里面的环境要选择刚才安装tensorflow的环境）

请根据给定的100个样本数据找出合适的a，b，c 使得

1.导入100个样本数据

2.构造一个线性模型

3.定义损失函数

4.定义训练函数

5.启动图

6.初始化变量

1. 开始训练

完整代码如下：

import numpy as np   #数据类型默认为64位
import tensorflow as tf         #数据类型默认为32位
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
       #数据类型改为32位
data = np.float32(np.load('line_fit_data.npy'))  # 导入100个样本数据
x_data = data[:, :2]   # 样本自变量
y_data = data[:, 2:]   # 样本实际值
'''
定义计算（计算图）
'''
w = tf.Variable(tf.zeros([2, 1]))   #构建变量两行一列a和b
bias = tf.Variable(tf.zeros([1]))    #构建c
y = tf.matmul(x_data, w) + bias   # 构造一个线性模型，矩阵乘法操作，数据和w相乘加上c
loss = tf.reduce_mean(tf.square(y_data - y))  # 定义损失函数，越低越好(均方误差)

tf.compat.v1.disable_eager_execution()
optimizer = tf.compat.v1.train.GradientDescentOptimizer(0.5)   # 构建梯度下降法优化器
train = optimizer.minimize(loss)   # 定义训练函数
'''
执行计算（会话中）
'''
# 启动会话
sess = tf.Session()
sess.run(tf.global_variables_initializer())   # 初始化所有变量
# sess.run(y)
for i in range(100):
    print('第', i, '轮训练后的模型损失值：', sess.run(loss))
    sess.run(train)   # 开始训练

print(sess.run([w, bias]) )  # y = 0.1*x1 + 0.2*x2 + 0.3
sess.close()

运行结果：

可以看到经过100轮的训练，损失函数的值为 2.7425253e-11，a为0.0999，b为0.1999，c为0.300，而这100个样本点就是通过生成的，可以看出训练后的结果与实际值是很接近的

代码运行出现的问题

由于我使用的tensorflow版本是2.0以上版本，出现了以下错误

解决方法：

增加这一句

tf.compat.v1.disable_eager_execution()

把

optimizer = tf.train.GradientDescentOptimizer(0.5) 

改为

optimizer = tf.compat.v1.train.GradientDescentOptimizer(0.5) 

又显示报错Attempting to capture an EagerTensor without building a function.原因是tensorflow版本问题

增加以下两句即可

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()

手写数字识别

首先导入模块，读取数据，实际值用x_data和y_data来表示。

设置网络，定义损失函数以及优化器

启动会话执行操作

from tensorflow.examples.tutorials.mnist import input_data
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)   # 读取数据
x_data = mnist.train.images
y_data = mnist.train.labels
w = tf.Variable(tf.zeros([784, 10]))   # 网络权值矩阵
bias = tf.Variable(tf.zeros([10]))     # 网络阈值
y = tf.nn.softmax(tf.matmul(x_data, w) + bias)   # 网络输出

cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_data*tf.log(y), axis=1))  # 交叉熵（损失函数）
optimizer = tf.train.GradientDescentOptimizer(0.03)   # 梯度下降法优化器
train = optimizer.minimize(cross_entropy)   # 训练节点
acc = tf.reduce_mean(tf.cast(tf.equal(tf.argmax(y, axis=1), tf.argmax(y_data, axis=1)), dtype=tf.float32))  # 模型预测值与样本实际值比较的精度

sess = tf.Session()  # 启动会话
sess.run(tf.global_variables_initializer())  # 执行变量初始化操作
for i in range(10):
    print(i, '轮训练的精度', sess.run(acc))
    sess.run(train)
    print(sess.run(cross_entropy))
sess.close()

运行结果：

可以看到十轮之后的训练精度达到0.72，交叉熵达到2.05，并不是很理想，可以通过增加训练轮数来优化训练结果

上述代码有一个缺点是将所有样本都放到模型里面来训练，这样子计算量很大，尤其是数据集很大的情况下，我们希望每次训练的时候从模型中取出一部分样本来训练。可以把训练样本通过占位符来解决，优化代码如下

把

 x_data = mnist.train.images
 y_data = mnist.train.labels

改为

x_data = tf.placeholder(tf.float32, [None, 784])  # 占位符：样本自变量
y_data = tf.placeholder(tf.float32, [None, 10])   # 占位符：样本目标变量

把

for i in range(10):
    print(i, '轮训练的精度', sess.run(acc))
    sess.run(train)
    print(sess.run(cross_entropy))
sess.close()

改为

 for i in range(200):
     x_s, y_s = mnist.train.next_batch(100)   #随机取100个样本
     if i%30 == 0:    #每隔30轮打印一次精度
         acc_tr = sess.run(acc, feed_dict={x_data: x_s, y_data: y_s})
         print(i, '轮训练的精度', acc_tr)
    sess.run(train, feed_dict={x_data:x_s, y_data:y_s})   # 模型训练
sess.close()

可以查看训练200次之后的精度，为了便于观察，我们每隔30次进行一次打印精度操作

最终训练200轮之后，训练精度达到了0.85左右，但是模型的好坏最终我们要通过测试集来评估。在sess.close()前面加上如下代码，即可用测试集来测试模型的准确率

acc_te = sess.run(acc, feed_dict={x_data:mnist.test.images, y_data:mnist.test.labels})  # 测试集精度
print('模型测试精度：', acc_te)

把训练次数调整为500次，每隔100次打印一下精度，可以看到通过500轮的训练，使用测试集测试模型，准确率达到0.87

优化模型：可以通过增加训练轮数，改变梯度下降法优化器参数来优化模型，不过由于网络结构的限制，最终模型准确率智能达到0.91左右。

手写数字识别运行代码出现的问题

第一个：

原因：是tensorflow中没有examples，首先找到对应tensorflow的文件。

解决方法：

不知道自己tensorflow的安装位置，进入cmd，我的tensorflow是在anacond的zjj环境中安装的

1.输入conda activate zjj激活环境

2.输入python

3.输入import tensorflow as tf

4.输入tf.__path__查看安装路径（一定要注意path前后都是两个下划线!!!!!）

进入tensorflow文件夹，发现没有examples文件夹。可以从github上下载完整的文件，然后复制到自己tensorflow的安装目录下。

参考文章：https://blog.csdn.net/qq_42632840/article/details/123963041

重新运行，没有报错

第二个：

原因：tensorflow 2.0版本去掉了placeholder，而tensorflow 1.几版本才有。

在控制台输入pip freeze，查看当前版本

解决：将

import tensorflow as tf

改为

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()

以上实验所需数据放在：http://链接：https://pan.baidu.com/s/1UptIodLkBVTqYEZxVJgRPw?pwd=qblu 提取码：qblu