AI常用框架和工具丨9. 深度学习框架TensorFlow

本文链接：https://blog.csdn.net/qq_43328313/article/details/123544302

本文介绍了深度学习框架TensorFlow，包括其环境配置、发展历程、主要特点和架构。讲解了TensorFlow的基础知识，如张量、算子、会话和变量的概念，并提供了神经网络搭建的流程和代码实例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

深度学习框架TensorFlow，AI常用框架和工具之一。理论知识结合代码实例，希望对您有所帮助。

在这里插入图片描述

文章目录

环境说明

操作系统：Windows 10

CUDA 版本为: 10.0

cudnn 版本为: 7.6.5

Python 版本为：Python 3.6.13

tensorflow-gpu 版本为：1.13.1

注意CUDA、cudnn、Python、tensorflow版本之间的匹配

一、TensorFlow简介

1.1 TensorFlow是什么？

TensorFlow 是一个端到端开源机器学习平台。它拥有一个全面而灵活的生态系统，其中包含各种工具、库和社区资源，可助力研究人员推动先进机器学习技术的发展，并使开发者能够轻松地构建和部署由机器学习提供支持的应用。

轻松地构建模型：在即刻执行环境中使用 Keras 等直观的高阶 API 轻松地构建和训练机器学习模型，该环境使我们能够快速迭代模型并轻松地调试模型。
随时随地进行可靠的机器学习生产：无论您使用哪种语言，都可以在云端、本地、浏览器中或设备上轻松地训练和部署模型。
强大的研究实验：一个简单而灵活的架构，可以更快地将新想法从概念转化为代码，然后创建出先进的模型，并最终对外发布。

1.2 TensorFlow发展过程

2015年9月0.1 $\implies$ 2017年2月1.0 $\implies$ 2019年3月2.0

1.3 TensorFlow特点

灵活可扩展：TensorFlow 不是一个严格的“神经网络”库。只要你可以将你的计算表示为一个数据流图，你就可以使用Tensorflow。你来构建图，描写驱动计算的内部循环。我们提供了有用的工具来帮助你组装“子图”(常用于神经网络)，当然用户也可以自己在Tensorflow基础上写自己的“上层库”。定义顺手好用的新复合操作和写一个python函数一样容易，而且也不用担心性能损耗。当然万一你发现找不到想要的底层数据操作，你也可以自己写一点c++代码来丰富底层的操作。
多语言：Tensorflow 有一个合理的c++使用界面，也有一个易用的python使用界面来构建和执行你的graphs。你可以直接写python/c++程序，也可以用交互式的ipython界面来用Tensorflow尝试些想法，它可以帮你将笔记、代码、可视化等有条理地归置好。当然这仅仅是个起点——我们希望能鼓励你创造自己最喜欢的语言界面，比如Go，Java，Lua，Javascript，或者是R。
GPU：支持 GPU。
多平台：Tensorflow 在CPU和GPU上运行，比如说可以运行在台式机、服务器、手机移动设备等等。
运算能力强：由于Tensorflow 给予了线程、队列、异步操作等以最佳的支持，Tensorflow 让你可以将你手边硬件的计算潜能全部发挥出来。你可以自由地将Tensorflow图中的计算元素分配到不同设备上，Tensorflow可以帮你管理好这些不同副本。
分布式：Tensorflow是由高性能的gRPC框架作为底层技术来支持的。这是一个通信框架gRPC(google remote procedure call)，是一个高性能、跨平台的RPC框架。

1.4 TensorFlow架构

在这里插入图片描述

^{▲ 架构图}

二、TensorFlow基础知识

2.1 TensorFlow组成

在这里插入图片描述

^{▲ Tensor + Flow}

2.2 TensorFlow计算过程

在这里插入图片描述

^{▲ 计算图实例}

2.3 TensorFlow基本概念

张量(tensor)：即任意维度的数据，一维、二维、三维、四维等数据统称为张量。
算子(operation)：在TF的实现中，机器学习算法被表达成图，图中的节点是算子(operation)，节点会有0到多个输出。
会话(Session)：客户端使用会话来和TF系统交互，一般的模式是，建立会话，此时会生成一张空图；在会话中添加节点和边，形成一张图，然后执行。
变量(Variables)：机器学习算法都会有参数，而参数的状态是需要保存的。而参数是在图中有其固定的位置的，不能像普通数据那样正常流动。因而，TF中将Variables实现为一个特殊的算子，该算子会返回它所保存的可变tensor的句柄。
核(kernel)：kernel是operation在某种设备上的具体实现。TF的库通过注册机制来定义op和kernel，所以可以通过链接一个其他的库来进行kernel和op的扩展。
边(edge)：正常边，正常边上可以流动数据，即正常边就是tensor。特殊边，又称作控制依赖，(control dependencies)。

三、TensorFlow搭建神经网络

3.1 TensorFlow开发流程

在这里插入图片描述

^{▲ 开发流程图}

3.2 TensorFlow神经网络搭建

网络	函数方法
全连接网络	`tf.layers.dense`
CNN卷积神经网络	`tf.layers.conv2d` `tf.layers.max_pooling2d`
RNN循环神经网络	`tf.nn.rnn_cell.BasicRNNCell`
其他	`tf.contrib.rnn.BasicLSTMCell` `tf.contrib.rnn.GRUCell`

四、代码实例

4.1 打印出 Hello tensorflow

import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()      # 建立一个session
print (sess.run(hello))  # 通过session里面的run来运行结果
sess.close()

运行结果：

b'Hello, TensorFlow!'

4.2 基本运算

a = tf.constant(3)  # 定义常量3
b = tf.constant(4)  # 定义常量4

with tf.Session() as sess:  # 建立session
    print("相加: %i" % sess.run(a + b))  # 计算输出两个变量相加的值
    print("相乘: %i" % sess.run(a * b))  # 计算输出两个变量相乘的值

运行结果
在这里插入图片描述

4.3 定义变量

# 定义变量
var1 = tf.Variable(10.0, name="varname")
var2 = tf.Variable(11.0, name="varname")
var3 = tf.Variable(12.0)
var4 = tf.Variable(13.0)
with tf.variable_scope("test1"):
    var5 = tf.get_variable("varname", shape=[2], dtype=tf.float32)

with tf.variable_scope("test2"):
    var6 = tf.get_variable("varname", shape=[2], dtype=tf.float32)

print("var1:", var1.name)
print("var2:", var2.name)
print("var3:", var3.name)
print("var4:", var4.name)
print("var5:", var5.name)
print("var6:", var6.name)

运行结果：

在这里插入图片描述

参考文献

[1] https://education.huaweicloud.com/courses/course-v1:HuaweiX+CBUCNXE081+Self-paced/about
[2] https://tensorflow.google.cn/
[3] https://www.21ic.com/article/827995.html
[4] https://blog.csdn.net/DAN_L/article/details/106929907
[5] https://blog.csdn.net/qq_42635142/article/details/100567418

—— END ——

如果以上内容有任何错误或者不准确的地方，欢迎在下面 👇 留言。或者你有更好的想法，欢迎一起交流学习~~~

更多精彩内容请前往 AXYZdong的博客