Python中TensorFlow如何使用

這期內容當中小編將會給大家帶來有關Python中TensorFlow如何使用，文章內容豐富且以專業的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。

TensorFlow 是如何運作的呢? 它的整個解決方案是基于張量進行的，張量是 TensorFlow 的原始單元。TensorFlow 使用一個張量數據結構來表示所有數據。在數學中，張量是描述其他幾何對象之間的線性關系的幾何對象。在 TesnsorFlow 中，它們是多維數組或數據，比如矩陣。其實它并不像這樣簡單， 但這就是我現在想說的深入線性代數的整個張量的概念。無論如何，我們可以把張量看作是 n 維陣列，對它使用矩陣運算是簡單且有效的。例如，在下面的代碼中，我們定義了兩個常量張量，并將一個值添加到另一個上。

這就是整個張量概念在線性代數中，

我們都知道，常量的值是不變的。而 TensorFlow 擁有豐富的 API，它的文檔也很齊全，我們可以使用它定義其他類型的數據，比如變量。

除了張量之外，TensorFlow 還使用數據流圖。圖中的節點表示數學運算，邊表示在它們之間通信的張量。

安裝和設置

TensorFlow 為各種程序語言提供了 API，比如 Python、C++、Java、Go、Haskell 和 R(以第三方庫的形式)。此外，它支持不同類型的操作系統。在本文中，我們將在 Windows 10 上使用 Python，因此會提及這個平臺上的安裝過程。TensorFlow 只支持 Python 3.5 和 3.6，所以請確保你的系統中安裝了其中的一個版本。對于其他的操作系統和語言，你可以查看官方的安裝指南。我們需要了解的另一件事是系統的硬件配置。安裝 TensorFlow 可以有兩種選擇：

• 只支持 CPU 的 TensorFlow 版本。

• 支持 GPU 的 TensorFlow 版本。

如果你的系統有一個 NVIDIA GPU，那么你可以安裝支持 GPU 的 TensorFlow 版本。當然，GPU 版本更快，但是 CPU 版更容易安裝和配置。

如果你使用 Anaconda 安裝 TensorFlow，可以按照以下步驟完成:

通過運行命令來創建一個 conda 環境“tensorflow”。

conda create -n tensorflow pip python=3.5

通過命令激活創建的環境:

activate tensorflow

調用該命令來在你的環境中安裝 TensorFlow。對于 CPU 版本運行這個命令:

pip install --ignore-installed --upgrade tensorflow

對于 GPU 版本運行命令:

pip install --ignore-installed --upgrade tensorflow-gpu

當然，你也可以使用“native pip”命令來安裝 TensorFlow。對于 CPU 版本運行:

pip3 install --upgrade tensorflow

對于 GPU TensorFlow 版本運行命令:

pip3 install --upgrade tensorflow-gpu

現在我們已經安裝了 TensorFlow。接下來開始解決我們要解決的問題。

Iris 數據集分類問題

Iris 數據集，以及 MNIST 數據集，可能是模式識別文獻中***的數據集之一。這是機器學習分類問題的“Hello World”示例。它最早是在 1936 年由 Ronald Fisher 推出的。他是英國的統計學家和植物學家，他在論文《使用多重測量解決生物分類問題》中使用了這個例子，直到今天這篇論文也經常被引用。該數據集包含 3 個類別，每個類別有 50 個實例。每個類別都是一種類型的 Iris 植物：Iris setosa、Iris virginica 和 Iris versicolor。***類是線性可分的，但后兩種不是線性可分的。每個記錄都有五個屬性:

• cm 表示的 Sepal 長度

• cm 表示的 Sepal 寬度

• cm 表示的 Petal 長度

• cm 表示的 Petal 寬度

類別 Class(Iris setosa, Iris virginica, Iris versicolor)

我們要創建神經網絡的目標是根據其他屬性來預測 Iris 的種類。這意味著它需要創建一個模型，描述屬性值和類別之間的關系。

TensorFlow 工作流

大部分的 TensorFlow 代碼遵循這個工作流程:

• 導入數據集

• 使用附加列擴展數據集，用以描述數據

• 選擇模型的類型

• 開始訓練

• 評估模型的準確性

• 使用模型預測結果

如果你關注我之前的博客文章，你可能會注意到開發任何人工神經網絡都離不開訓練和評估過程。這些過程通常是在兩個數據集上完成的，一個用于訓練，另一個用于測試訓練網絡的準確性。通常，我們得到一組數據，我們需要將它們分成兩個獨立的數據集，并使用其中一個進行培訓，另一個用于測試。這一比率通常為 80% 到 20%。這次這些都已經為我們做好了。你可以從這里下載訓練數據集，從這里下載測試數據集?；蛘吣憧梢詮倪@里下載完整的代碼和數據。

 編碼

在繼續之前，我得首先說明一下，我使用 Spyder IDE 進行開發，因此我將使用這個環境來解釋整個過程。

我們需要做的***件事是導入數據集并解析它。為此，我們需要使用另一個 Python 庫 -Pandas。這是另一個開源庫，為 Python 提供了易于使用的數據結構和數據分析工具。

正如你所看到的，首先我們使用 readcsv 函數將數據集導入到本地變量中，然后我們將輸入 (train_x、test_x) 和預期輸出 (train_y、test_y) 分離開來，創建四個獨立的矩陣。以下是他們的樣子:

我們準備好了用于訓練和測試的數據?，F在，我們需要定義特征列，這也是神經網絡需要的。

我們現在需要選擇我們將要使用的模型。在我們的問題中，我們試圖根據屬性數據來預測 Iris 的類型。所以我們要從 TensorFlow API 中選擇一個評估器。評估器類的一個對象封裝了構建 TensorFlow 圖形并運行 TensorFlow 會話的邏輯。為此，我們將使用 DNN 分類器。我們將添加兩個隱藏的層，每個層有十個神經元。

在那之后，我們將用我們從訓練數據集中選取的數據來訓練我們的神經網絡。首先，我們將定義訓練功能。該函數需要通過擴展和創建多個批次來提供來自訓練集的數據。如果訓練樣本是隨機的訓練效果也會更好。這就是為什么調用 shuffle 函數的原因?？傊?， train_function 使用經過訓練的數據集，隨機地從數據中選取數據，并將數據反饋給 DNN 分類器的訓練方法，從而創建大量的數據。

***，我們調用評估函數來評估我們的神經網絡，并給出網絡的回準度。

當我們運行這段代碼后，將得到如下結果:

上述就是小編為大家分享的Python中TensorFlow如何使用了，如果剛好有類似的疑惑，不妨參照上述分析進行理解。如果想知道更多相關知識，歡迎關注億速云行業資訊頻道。