TensorFlow学习总结与安装使用指南

### TensorFlow学习总结与安装使用指南 #### 学习成果回顾 在TensorFlow的学习之旅中，我们从不同角度深入了解了机器学习。掌握了将现实世界问题转化为机器学习框架的能力，理解了众多机器学习问题的基础概念，学会使用TensorFlow解决这些问题，能够可视化机器学习算法并运用相关术语，还能利用真实数据和问题展示所学知识。 为确保代码使用最新的库调用和语法，可访问GitHub仓库：http://mng.bz/Yx5A ，欢迎加入社区提交问题或发起拉取请求。需要注意的是，TensorFlow发展迅速，新功能会不断涌现。 #### 安装说明 通常默认使用Python 3，但部分依赖（如第7章的BregmanToolkit和第19章的VGG16.py库）需要Python 2.7。Python 3的代码遵循TensorFlow v1.15，而第7章和第19章的示例使用TensorFlow 1.14.0，因其与Python 2.7兼容。GitHub上的源代码会始终保持最新版本（http://mng.bz/GdKO），同时也在努力将示例移植到TensorFlow 2.x，相关工作在代码库的tensorflow2分支中进行。 TensorFlow有多种安装方式，下面介绍一种适用于所有平台（包括Windows）的使用Docker容器安装的方法。若熟悉基于UNIX的系统（如Linux和macOS），可参考官方文档（http://mng.bz/zrAQ 或 https://www.tensorflow.org/install ）中的安装方法。 ##### 使用Docker安装代码 Docker是一种用于打包软件依赖的系统，能确保每个人的安装环境一致，减少计算机之间的不一致性。除了使用Docker容器，还可通过其他方式安装TensorFlow，详细信息可查看官方文档：https://www.tensorflow.org/install ，也可查看官方Dockerfile（http://mng.bz/0ZA6）。 - **在Windows上安装Docker** - Docker仅适用于启用虚拟化的64位Windows（7或更高版本）。可通过打开控制面板，点击“系统和安全”，再点击“系统”来查看系统类型。若为64位系统，基本满足要求。 - 对于Windows 8或更高版本，可打开任务管理器（按Ctrl - Shift - Esc），点击“性能”选项卡，若“虚拟化”显示为“已启用”则满足条件；对于Windows 7，需使用Microsoft硬件辅助虚拟化检测工具（http://mng.bz/cBlu）。 - **在Linux上安装Docker** - 确认计算机支持Docker后，从http://mng.bz/K580 下载并安装Docker Toolbox。 - 运行下载的安装程序，在对话框中点击“下一步”接受所有默认设置。安装完成后，运行Docker Quickstart Terminal。 - **在macOS上安装Docker** - Docker适用于macOS 10.8 Mountain Lion或更高版本。从http://mng.bz/K580 下载并安装Docker Toolbox。 - 安装完成后，从“应用程序”文件夹或Launchpad中打开Docker Quickstart Terminal。 - **使用Docker** - 已创建一个Dockerfile，用于构建包含Python 3.7和2.7的镜像，使用Python的pip安装程序安装Jupyter和所需库，并创建运行代码示例所需的依赖库和文件夹结构。若想从头构建，可分别使用build_environment.sh和run_environment.sh脚本构建和运行Docker镜像。 - 构建的Docker镜像包含运行笔记本所需的所有第三方库和训练模型所需的输入数据。需注意，构建后的容器约40GB，因为机器学习对数据和计算要求较高，要提前做好磁盘空间和时间的准备。 - 也可运行以下命令执行已创建并推送到DockerHub的镜像： ```bash docker pull chrismattmann/mltf2 ./run_environment.sh ``` - DockerHub可看作预构建环境镜像的仓库，可在https://hub.docker.com 探索社区发布的各种容器。环境中包含一个Jupyter Notebooks中心，在浏览器中输入http://127.0.0.1:8888 即可访问，需根据具体章节示例选择正确的内核（Python3或Python2）。 #### 获取数据和存储模型 运行笔记本时会生成大量数据，尤其是在机器学习的模型构建阶段。同时，训练和构建模型也需要数据，可从http://mng.bz/9A41 下载用于训练模型的输入数据。 以下是各章节所需数据及存放位置： | 章节 | 数据 | 存放位置 | | ---- | ---- | ---- | | 4 | data/311.csv | data/ | | 6 | data/word2vec - nlp - tutorial/labeledTrainData.tsv <br> data/word2vec - nlp - tutorial/testData.tsv <br> data/aclImdb/test/neg <br> data/aclImdb/test/pos | data/ | | 7 | data/audio_dataset <br> data/TalkingMachinesPodcast.wav | data/ | | 8 | data/User Identification From Walking Activity | data/ | | 10 | data/mobypos.txt | data/ | | 12 | data/cifar - 10 - batches - py <br> data/MNIST_data（若尝试MNIST额外示例） | data/ | | 14 | data/cifar - 10 - batches - py | data/ | | 15 | data/cifar - 10 - batches - py <br> data/vgg_face_dataset <br> data/vgg - face <br> data/vgg_face_full_urls.csv <br> data/vgg_face_full.csv <br> data/vgg - models/checkpoints - 1e3x4 - 2e4 - 09202019 | data/