深度学习

提要¶

1. 深度学习的介绍
2. TensorFlow 框架的介绍
   1. TensorFlow 的结构
   2. 介绍 TensorFlow 的各个组件
      1. 图
      2. 绘画
      3. 张量
      4. 变量
   3. 具体的案例（线性回归的案例）-将 TensorFlow 用起来

深度学习介绍¶

深度学习和机器学习的区别¶

特征提取¶

上面是机器学习：特征提取（特征工程）->算法学习——>输出
下面是深度学习：自己进行特征的提取和分类算法的步骤

• 机器学习的特征工程步骤是要靠手动来完成的，而且需要大量的领域专业知识
• 深度学习通过学习大量数据自动得出模型，不需要人工

数据量¶

1. 深度学习需要大量的训练数据集
2. 训练深度神经网络需要大量的算力
3. 需要强大的 GPU 服务器进行计算
4. 全面管理的分布式训练与预测服务

数据量越大，深度学习的优势越大

算法代表¶

• 机器学习：
  • 朴素贝叶斯、决策树
• 深度学习
  • 神经网络

应用场景¶

• 图像书别
• 自然语言处理
• 语音技术

深度学习框架¶

常见的框架的对比¶

• PyTorch 更加使用于学术研究，Tensorflow 更适用于工业界生产环境的部署

Tensorflow 的特点¶

• 高度灵活
• 语言多样
  • 是使用 c++实现的，使用 Python 进行封装
• 设备支持
  • 可以运行在各种的硬件上
• TensorFlow 的可视化

安装¶

• CPU 版本
• GPU 版本
  CPU：诸葛亮
  综合能力比较强——计算、综合的调动能力
  但是核心数比较少，适合处理连续型的任务
  GPU：臭皮匠
  专攻某一个能力，专做某一个能力比较好，只能进行运算
  核芯数更多，但每一个核芯速度较慢，更适用于并行的任务

我们现在用的的先是 CPU 版本

虚拟环境

在 pycharm 的设置这里修改解释器用哪个

代码：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

import tensorflow.compat.v1 as tf  
tf.compat.v1.disable_eager_execution()  
def ten_demo():  
    """  
    基本结构  
    :return:    """    a=2  
    b=3  
    c=a+b  
    print("普通加法运算的结果:\n",c)  

    # TF实现（图）  
    a_t=tf.constant(2)  
    b_t=tf.constant(3)  
    c_t=a_t+b_t  
    print("新的结果:\n",c_t)  
    # 开启会话  
    with tf.Session() as sess:  
        c_t_value=sess.run(c_t)  
        print("c:\n",c_t_value)  
    return None  

# 1. 基本结构  
ten_demo()

这是 1. x 版本的写法
我们现在用的是先构件流程图，之后需要调用进行操作执行

结构分析¶

组织成一个构件图阶段和执行图阶段
构建阶段：数据和操作的执行步骤被描述成一个图
执行阶段：使用会话执行构建好的图中的操作

• 图和会话：
  • 图：将计算表示为指令直降的依赖关系
  • 会话：运行流图的机制
• 张量：TF 中的基本数据对象
• 节点：提供图当中执行的操作

TensorFlow 框架介绍¶

数据流图的介绍¶

TensorFlow
Tensor: 张量——数据
Flow：流动

• 构建图阶段：
  • 流程图：定义数据（张量 Tensor）和操作 (节点 Op)
• 执行图阶段：
  • 调用各方资源，将定义好的数据和操作运行起来

图与 TensorBoard¶

什么是图结构¶

• 图结构：
  数据（Tensor）+操作（Operation）

图的相关操作¶

1. 默认图
   怎么查看默认的图
   1. 调用方法
      使用tf.get_default_graph() 访问
      op\sess 都含有图属性，默认在一张图中
   2. 查看属性
      .graph
2. 自定义图

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21

def graph_demo():  
    """  
    查看默认的图  
    :return:    """    # 实现加法运算  
    a_t=tf.constant(2)  
    b_t=tf.constant(3)  
    c_t=a_t+b_t  
    print("新的结果:\n",c_t)  
    # 查看默认图  
    # 方法1：调用方法  
    default_g=tf.get_default_graph()  
    print("default_g:\n",default_g)  
    # 2：查看属性  
    print("a_t的图属性:\n",a_t.graph)  
    print("c_t的图属性:\n", c_t.graph)  
    # 开启会话  
    with tf.Session() as sess:  
        c_t_value=sess.run(c_t)  
        print("c:\n",c_t_value)  
        print("sessin的图属性:\n",sess.graph)  
    return None

输出：

default_g:

a_t的图属性:

c_t的图属性:

c:
5
sessin的图属性:

最后返回的结果就是图在的内存地址

创建图
new_g=tf.Graph() 新创建一个图
tf.Session() 开启会话（括号里面没有时，默认的是开启默认图的对话）
with...as... 在代码执行结束之后会话会自动关闭
在 with 代码块内部（即 sess 作用域内），可以通过 sess.run() 方法执行 TensorFlow 计算图中的操作（如模型训练、预测等）

要想开启自创图的会话：

1
2
3

with tf.Session(graph=new_g) as new_sess:  
    c_new_value = new_sess.run(c_new)  
    print("c:\n", c_new_value)

必须在括号中填入想要运行的图（要设置属性）

TensorBoard 的可视化学习¶

1. 数据序列化-events 文件
   tf.summary.FileWriter(path,graph=sess.graph)
2. 启动 TensorBoard
   TensorBoard
(tf-cpu-env) PS D:\dev\pythonProject3> tensorboard --logdir="./tmp/summary"
   
   图中的 const 代表操作名称（指令名称）(节点表示一次操作)

a_t:
Tensor("Const:0", shape=(), dtype=int32)
b_t:
Tensor("Const_1:0", shape=(), dtype=int32)

这里的 const 为创建一个常数的动作，其输出就是创建的常数，0 代表创建常数的数量为 1

Op¶

数据：Tensor 对象
操作对象：Operation 对象-OP

常见的 OP

操作函数-操作对象

所以我们返回的都是数据，中间的操作 op 看不见，但是在打印之后会看见
Tensor("Const_1:0", shape=(), dtype=int32) 可见是由 const 操作函数产生的，输出的结果是有操作的名称和整数（返回数据的数目，0 代表一个）构成的

1
2
3

a_t=tf.constant(2,name="a_t")  
b_t=tf.constant(3,name="b_t")  
c_t=tf.add(a_t,b_t,name="c_t")

通过这种方式可以修改操作指令的名称：

其中的 c_t=tf.add(a_t,b_t,name="c_t") 表示的就是 c=a+b

会话¶

会话的创建¶

有两种方式：

• tf. session：用于完整的程序中
• tf.InteractiveSession()：用于上下文交互式的

1
2
3
4

c_t_value=sess.run(c_t)  
print("c:\n",c_t_value)  

print("c:\n",c_t.eval())

上下两种方式的效果是一样的（这是在会话中的）
print("c:\n",c_t.eval()) 这个方法同样是只在会话中适用

1
2
3
4

tf.InteractiveSession()  
a=tf.constant(2)  
print(a)  
print(a.eval())

输入法测试
感觉还是可以的 1、