Python 深度学习库 TensorFlow 简介

作者： Jason Brownlee 发布于 2022 年 7 月 27 日分类：深度学习 34 条评论

TensorFlow 是 Google 创建并发布的一个用于快速数值计算的 Python 库。

它是一个基础库，可以直接用于创建深度学习模型，也可以通过在其之上构建的简化流程的包装库来创建 TensorFlow 模型。

在这篇文章中，您将了解用于深度学习的 TensorFlow 库。

2022 年 6 月更新：更新到 TensorFlow 2.x

通过我的新书《Python 深度学习》启动您的项目，其中包括逐步教程和所有示例的 Python 源代码文件。

让我们开始吧。

Introduction to the Python Deep Learning Library TensorFlow

Python 深度学习库 TensorFlow 简介
图片来源：Nicolas Raymond，保留部分权利。

什么是 TensorFlow？

TensorFlow 是一个用于快速数值计算的开源库。

它由 Google 创建和维护，并根据 Apache 2.0 开源许可证发布。该 API 名义上是为 Python 编程语言设计的，尽管也可以访问底层 C++ API。

与用于深度学习的其他数值库（如 Theano）不同，TensorFlow 旨在用于研究开发和生产系统，其中最重要的莫过于 Google 搜索中的 RankBrain 和有趣的 DeepDream 项目。

它可以在单个 CPU 系统和 GPU 上运行，也可以在移动设备和由数百台机器组成的大规模分布式系统上运行。

如何安装 TensorFlow

如果您已经拥有 Python SciPy 环境，TensorFlow 的安装非常简单。

TensorFlow 适用于 Python 3.3+。您可以按照 TensorFlow 网站上的下载和设置说明进行操作。通过 PyPI 安装可能最简单，用于您的 Linux 或 Mac OS X 平台的 pip 命令的具体说明在下载和设置网页上。最简单的情况下，您只需在命令行中输入以下内容

pip install tensorflow

1	pip install tensorflow

例外情况是配备 Apple Silicon CPU 的新款 Mac。此特定架构的包名为 tensorflow-macos

pip install tensorflow-macos

1	pip install tensorflow-macos

如果您愿意，还可以使用 virtualenv 和 docker 镜像。

要使用 GPU，您还需要安装 Cuda 工具包。

TensorFlow 中的第一个示例

计算以有向图的结构来描述数据流和操作。

节点：节点执行计算，具有零个或多个输入和输出。在节点之间移动的数据称为张量，它们是实值多维数组。
边：图定义了数据流、分支、循环和状态更新。特殊的边可用于同步图中的行为，例如，等待对多个输入的计算完成。
操作：操作是一个命名的抽象计算，可以接受输入属性并生成输出属性。例如，您可以定义一个加法或乘法操作。

使用 TensorFlow 进行计算

这个第一个示例是 TensorFlow 网站上示例的修改版本。它展示了如何将值定义为张量并执行操作。

import tensorflow as tf
a = tf.constant(10)
b = tf.constant(32)
print(a+b)

import tensorflow as tf

a = tf.constant(10)

b = tf.constant(32)

print(a+b)

运行此示例将显示

tf.Tensor(42, shape=(), dtype=int32)

1	tf.Tensor(42, shape=(), dtype=int32)

使用 TensorFlow 进行线性回归

下一个示例来自 TensorFlow 教程的介绍。

此示例展示了如何定义变量（例如 W 和 b）以及作为计算结果的变量（y）。

我们感觉到 TensorFlow 分离了计算的定义和声明。下面，有自动微分的幕后操作。当我们使用函数 mse_loss() 计算 y 和 y_data 之间的差异时，会创建一个图，将函数产生的值连接到 TensorFlow 变量 W 和 b。TensorFlow 使用此图来推断如何在 minimize() 函数中更新变量。

import tensorflow as tf
import numpy as np

# Create 100 phony x, y data points in NumPy, y = x * 0.1 + 0.3
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data * 0.1 + 0.3

# Try to find values for W and b that compute y_data = W * x_data + b
# (We know that W should be 0.1 and b 0.3, but Tensorflow will
# figure that out for us.)
W = tf.Variable(tf.random.normal([1]))
b = tf.Variable(tf.zeros([1]))

# A function to compute mean squared error between y_data and computed y
def mse_loss():
    y = W * x_data + b
    loss = tf.reduce_mean(tf.square(y - y_data))
    return loss

# Minimize the mean squared errors.
optimizer = tf.keras.optimizers.Adam()
for step in range(5000):
    optimizer.minimize(mse_loss, var_list=[W,b])
    if step % 500 == 0:
        print(step, W.numpy(), b.numpy())

# Learns best fit is W: [0.1], b: [0.3]

import tensorflow as tf

import numpy as np

# 在 NumPy 中创建 100 个虚构的 x, y 数据点，y = x * 0.1 + 0.3

x_data = np.random.rand(100).astype(np.float32)

y_data = x_data * 0.1 + 0.3

# 尝试找到 W 和 b 的值，计算 y_data = W * x_data + b

# (我们知道 W 应该是 0.1，b 应该是 0.3，但 TensorFlow 会

# 为我们找出这些值。)

W = tf.Variable(tf.random.normal([1]))

b = tf.Variable(tf.zeros([1]))

# 计算 y_data 和计算出的 y 之间的均方误差的函数

def mse_loss():

y = W * x_data + b

loss = tf.reduce_mean(tf.square(y - y_data))

return loss

# 最小化均方误差。

optimizer = tf.keras.optimizers.Adam()

for step in range(5000):

optimizer.minimize(mse_loss, var_list=[W,b])

if step % 500 == 0:

print(step, W.numpy(), b.numpy())

# 学习到最佳拟合是 W: [0.1], b: [0.3]

运行此示例将打印以下输出

0 [-0.35913563] [0.001]
500 [-0.04056413] [0.3131764]
1000 [0.01548613] [0.3467598]
1500 [0.03492216] [0.3369852]
2000 [0.05408324] [0.32609695]
2500 [0.07121297] [0.316361]
3000 [0.08443557] [0.30884594]
3500 [0.09302785] [0.3039626]
4000 [0.09754606] [0.3013947]
4500 [0.09936733] [0.3003596]

0 [-0.35913563] [0.001]

500 [-0.04056413] [0.3131764]

1000 [0.01548613] [0.3467598]

1500 [0.03492216] [0.3369852]

2000 [0.05408324] [0.32609695]

2500 [0.07121297] [0.316361]

3000 [0.08443557] [0.30884594]

3500 [0.09302785] [0.3039626]

4000 [0.09754606] [0.3013947]

4500 [0.09936733] [0.3003596]

您可以在基本使用指南中了解有关 TensorFlow 机制的更多信息。

TensorFlow 资源

总结

在这篇文章中，您了解了用于深度学习的 TensorFlow Python 库。

您了解到它是一个用于快速数值计算的库，专门为开发和评估大型深度学习模型所需的各种操作而设计。

您对 TensorFlow 或本文有任何疑问吗？请在评论中提出您的问题，我将尽力回答。

关于此主题的更多信息

用于机器学习的 Python（7 天迷你课程）

使用标准化层改进深度学习模型

对《Python 深度学习库 TensorFlow 简介》的 34 条回复

Jatin 2016 年 11 月 29 日晚上 7:33 #

这很有帮助。

你能发布更多使用 TensorFlow 的教程吗？

谢谢。

回复
- Jason Brownlee 2016 年 11 月 30 日早上 7:55 #
  
  我很快就会的，谢谢 Jatin。
  
  回复
Amit Kumar 2017 年 2 月 7 日晚上 9:58 #

print sess.run(a+b) 这一行语法不正确。print 是一个方法，所以应该有开括号和闭括号。

回复
- Jason Brownlee 2017 年 2 月 8 日早上 9:35 #
  
  谢谢 Amit，已修复。
  
  回复
- Asesh 2017 年 4 月 20 日晚上 5:49 #
  
  如果是 Python 2.7 呢？不带括号的 print 语句不是有效吗？
  
  回复
  - Jason Brownlee 2017 年 4 月 21 日早上 8:33 #
    
    括号会被忽略/不起作用，这使得相同的代码在 Python3 中也能工作。
    
    回复
Walid Ahmed 2017 年 8 月 9 日凌晨 1:18 #

嗨 Jason

我在 TensorFlow 安装中找不到 models 文件夹。
您能帮忙吗？

回复
- Jason Brownlee 2017 年 8 月 9 日早上 6:38 #
  
  我想它们在最新版本中已被移除。
  
  回复
ale 2017 年 9 月 9 日晚上 6:19 #

嗨 Jason

本页写着“要使用 GPU，只支持 Linux 并且需要 Cuda 工具包。”然而，我认为如果安装了 Cuda 工具包和 cudNN，Windows 也支持。不是吗？
谢谢。

回复
- Jason Brownlee 2017 年 9 月 11 日中午 12:00 #
  
  可能吧，在撰写本文时似乎并非如此。
  
  回复
Trevor Wistaff 2018 年 4 月 25 日早上 8:37 #

在开始机器学习时，您会建议暂时忽略 TensorFlow，坚持您的入门方案吗？

回复
- Jason Brownlee 2018 年 4 月 25 日早上 8:42 #
  
  是的，实际上，对于深度学习，我建议使用 Keras，它封装了 TensorFlow 库。
  
  在这里了解更多
  https://machinelearning.org.cn/faq/single-faq/what-deep-learning-library-do-you-recommend
  
  回复
sagar 2018 年 6 月 29 日晚上 6:54 #

嗨 Jason，我有一个关于 TensorFlow 的问题。我正在尝试使用 TensorFlow 实现神经风格迁移。不知道您对如何纠正下面的错误有什么建议。非常感谢。

tf.reset_default_graph()

sess = tf.InteractiveSession()

sess.run(tf.initialize_all_variables())

sess.run(model[‘input’].assign(content_image))
回溯（最近一次调用）

File “”, line 1, in
sess.run(model[‘input’].assign(content_image))

文件 “/Users/sherrymukim/anaconda3/lib/python3.6/site-packages/tensorflow/python/client/session.py”，第 889 行，在 run 中
run_metadata_ptr)

文件 “/Users/sherrymukim/anaconda3/lib/python3.6/site-packages/tensorflow/python/client/session.py”，第 1105 行，在 _run 中
self._graph, fetches, feed_dict_tensor, feed_handles=feed_handles)

文件 “/Users/sherrymukim/anaconda3/lib/python3.6/site-packages/tensorflow/python/client/session.py”，第 414 行，在 __init__ 中
self._fetch_mapper = _FetchMapper.for_fetch(fetches)

文件 “/Users/sherrymukim/anaconda3/lib/python3.6/site-packages/tensorflow/python/client/session.py”，第 242 行，在 for_fetch 中
return _ElementFetchMapper(fetches, contraction_fn)

文件 “/Users/sherrymukim/anaconda3/lib/python3.6/site-packages/tensorflow/python/client/session.py”，第 278 行，在 __init__ 中
‘Tensor. (%s)’ % (fetch, str(e)))

ValueError: Fetch 参数无法解释为张量。(Tensor Tensor(“Assign_5:0”, shape=(1, 300, 400, 3), dtype=float32_ref) 不是此图的元素。)

回复
- Jason Brownlee 2018 年 6 月 30 日早上 6:05 #
  
  抱歉，我没有 TensorFlow 或风格迁移的示例。我无法给您好的建议。
  
  也许可以发布到 stackoverflow？
  
  回复
riya 2018 年 7 月 7 日凌晨 3:52 #

你好，

那么，我是否需要明确指出程序应该在支持 CPU 的 TensorFlow 上运行，还是在我没有 GPU 时是隐式的？

另外，我是深度学习新手，所有这些 API、CUDA、KERAS 等都让我感到困惑。这些都是什么？

此致

回复
- Jason Brownlee 2018 年 7 月 7 日早上 6:19 #
  
  不，Keras 将根据其配置使用 TensorFlow。TensorFlow 必须配置为使用 GPU，抱歉我不会介绍如何做到这一点。
  
  回复
Jose 2018 年 11 月 7 日早上 7:54 #

嗨，Jason！
一如既往，感谢您在这个精彩的网站上花费的时间和精力！！！
来自您的线性回归示例的这一部分

# Fit the line. for step in xrange(201): sess.run(train) if step % 20 == 0: print(step, sess.run(W), sess.run(b))

1
2
3
4
5

# 拟合直线。
for step in xrange(201):
    sess.run(train)
    if step % 20 == 0:
        print(step, sess.run(W), sess.run(b))

我收到以下错误：

NameError Traceback (最近一次调用)
in
27
28 # 拟合直线。
—> 29 for step in xrange(201)
30 sess.run(train)
31 if step % 20 == 0

NameError: name 'xrange' is not defined

回复
- Jason Brownlee 2018 年 11 月 7 日下午 2:46 #
  
  或许确认您安装的是 Python 2.7 或 3.5+？
  
  回复
- Carlos González 2019 年 2 月 14 日早上 8:16 #
  
  Jose……去掉“x”……直接使用 range(201)……
  
  回复
Khalil 2019 年 8 月 28 日下午 3:37 #

我尝试了很多次，但仍然是同样的问题，之前我还在同一台电脑上使用 TensorFlow。只是我安装了 Windows 并尝试再次安装 TensorFlow，但出现了错误。
ImportError 回溯 (最近一次调用)
~\Miniconda3\lib\site-packages\tensorflow\python\pywrap_tensorflow.py 在
57
—> 58 from tensorflow.python.pywrap_tensorflow_internal import *
59 from tensorflow.python.pywrap_tensorflow_internal import __version__

~\Miniconda3\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py 在
27 return _mod
—> 28 _pywrap_tensorflow_internal = swig_import_helper()
29 del swig_import_helper

~\Miniconda3\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py 在 swig_import_helper()
23 try
—> 24 _mod = imp.load_module(‘_pywrap_tensorflow_internal’, fp, pathname, description)
25 finally

~\Miniconda3\lib\imp.py 在 load_module(name, file, filename, details) 中
241 else
–> 242 return load_dynamic(name, filename, file)
243 elif type_ == PKG_DIRECTORY

~\Miniconda3\lib\imp.py 在 load_dynamic(name, path, file) 中
341 name=name, loader=loader, origin=path)
–> 342 return _load(spec)
343

ImportError: DLL 加载失败：动态链接库 (DLL) 初始化例程失败。

处理上述异常时，发生了另一个异常

ImportError 回溯 (最近一次调用)
in
—-> 1 import tensorflow as tf

~\Miniconda3\lib\site-packages\tensorflow\__init__.py 在
26
27 # pylint: disable=g-bad-import-order
—> 28 from tensorflow.python import pywrap_tensorflow # pylint: disable=unused-import
29 from tensorflow.python.tools import module_util as _module_util
30

~\Miniconda3\lib\site-packages\tensorflow\python\__init__.py 在
47 import numpy as np
48
—> 49 from tensorflow.python import pywrap_tensorflow
50
51 # 协议缓冲区

~\Miniconda3\lib\site-packages\tensorflow\python\pywrap_tensorflow.py 在
72 对于一些常见的原因和解决方案。请在寻求帮助时包含此错误消息上方的完整堆栈跟踪。””” % traceback.format_exc()
73
—> 74 raise ImportError(msg)
75
76 # pylint: enable=wildcard-import,g-import-not-at-top,unused-import,line-too-long

ImportError: 回溯（最近一次调用）
文件 “C:\Users\Khalil\Miniconda3\lib\site-packages\tensorflow\python\pywrap_tensorflow.py”，第 58 行，在
from tensorflow.python.pywrap_tensorflow_internal import *
文件 “C:\Users\Khalil\Miniconda3\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py”，第 28 行，在
_pywrap_tensorflow_internal = swig_import_helper()
文件 “C:\Users\Khalil\Miniconda3\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py”，第 24 行，在 swig_import_helper 中
_mod = imp.load_module(‘_pywrap_tensorflow_internal’, fp, pathname, description)
文件 “C:\Users\Khalil\Miniconda3\lib\imp.py”，第 242 行，在 load_module 中
返回 load_dynamic(name, filename, file)
文件 “C:\Users\Khalil\Miniconda3\lib\imp.py”，第 342 行，在 load_dynamic 中
返回 _load(spec)
ImportError: DLL 加载失败：动态链接库 (DLL) 初始化例程失败。

未能加载原生 TensorFlow 运行时。

请参阅 https://tensorflowcn.cn/install/errors

了解一些常见原因和解决方案。寻求帮助时请包含整个堆栈跟踪
此错误消息上方。

回复
- Jason Brownlee 2019 年 8 月 29 日早上 5:59 #
  
  抱歉，我不熟悉这个错误。
  
  或许尝试使用 Anaconda 重新安装
  https://machinelearning.org.cn/setup-python-environment-machine-learning-deep-learning-anaconda/
  
  回复
JG 2020 年 3 月 7 日早上 6:45 #

嗨，Jason，

我尝试遵循这个 tensorflow 教程来记住 tensorflow 的“复杂结构”如何工作（tf 1.x 版本与 Keras），以下是我发现问题的主要结论

1) 由于当前的 tensorflow 版本是 2.x，它是“急切执行”的，因此 sessio() 和 run() 等方法不可直接使用，您为 tensorflow 1.x 编写的线性回归案例研究必须通过以下方式进行升级

1.1) 或在 tf 2.x“急切执行”下实现，我得出结论，您所有的旧代码行都必须放在一个嵌套中，例如
with tf.compat.v1.Session() as sess
…
此外，还要更新一些张量的方法：“tf.compat.v1”，对于 v2 中的张量，例如
tf.compat.v1.Session()
f.compat.v1.train.GradientDescentOptimizer(0.5)
tf.compat.v1.global_variables_initializer()

1.2) 或通过在旧代码开头添加初始语句来禁用“急切执行”来实现 tf 2.x
tf.compat.v1.disable_eager_execution()

在两种情况下我都得到了相同的结果

1.3) 我还尝试直接使用 tf 2.x 版本的“急切训练”的新方法，将旧代码翻译成
with tf.GradientTape() as tape
…
但应用于更“复杂”的结构，例如新的损失和 grad = tape.gradient(loss, w)……所以我放弃了 🙂

1.4) 我还看到新 tensorflow 2.x 中的概念正试图应用 keras（例如 tf.keras…）的新简单想法并实现“急切执行”，……但现在它与 tf 1.x 版本令人困惑……所以我现在不知道在这种当前状态下谁会直接应用 tensorflow……:-)

此致，
JG

回复
- Jason Brownlee 2020 年 3 月 7 日早上 7:22 #
  
  本教程有些过时，我推荐这个教程
  https://machinelearning.org.cn/tensorflow-tutorial-deep-learning-with-tf-keras/
  
  回复
JG 2020 年 3 月 8 日凌晨 3:42 #

好的，我会去做的。

无论如何，我指的是将纯粹的 Tensorflow 应用于机器学习代码的研发……但可能没有多少优势，如果有的话，而不是使用友好的 keras 包装器。

回复
Muhammad Iqbal Bazmi Hyderabad 2020 年 10 月 13 日凌晨 3:19 #

将其升级到 TensorFlow 2.0

回复
- Jason Brownlee 2020 年 10 月 13 日早上 6:37 #
  
  谢谢。
  
  回复
Krishna 2020 年 11 月 2 日下午 3:47 #

成为 TensorFlow 专家的最佳途径是什么？

回复
- Jason Brownlee 2020 年 11 月 3 日早上 6:50 #
  
  多加练习！
  
  回复
Indroneel 2022 年 1 月 19 日晚上 10:51 #

这个示例不需要更新到 TF2.0 吗？我尝试运行它，但只有在删除了 .Session() 调用之后才运行？

回复
- James Carmichael 2022 年 1 月 20 日早上 7:54 #
  
  嗨 Indronel……我感谢您的反馈和建议！以下内容将对 TF2.0 有所帮助
  
  https://machinelearning.org.cn/tensorflow-tutorial-deep-learning-with-tf-keras/
  
  回复
ahmed gamal 2022 年 6 月 17 日凌晨 3:59 #

你能告诉我关于 tensorflow 和 keras 的教程吗

回复
- James Carmichael 2022 年 6 月 17 日早上 9:30 #
  
  嗨 Ahmed……以下内容可能对您有兴趣
  
  https://machinelearning.org.cn/tensorflow-tutorial-deep-learning-with-tf-keras/
  
  回复
Salami Mariam 2022 年 7 月 29 日早上 7:22 #

你好，我可以在没有 Python 编程知识的情况下开始这门课程吗

回复
- James Carmichael 2022 年 7 月 29 日早上 10:05 #
  
  嗨 Salami……您当然可以开始这门课程！您将在深度学习的应用中学习实用的 Python。
  
  回复

导航

Python 深度学习库 TensorFlow 简介

什么是 TensorFlow？

如何安装 TensorFlow

TensorFlow 中的第一个示例

使用 TensorFlow 进行计算

使用 TensorFlow 进行线性回归

更多深度学习模型

Python 深度学习需要帮助吗？

TensorFlow 资源

更多资源

总结

关于此主题的更多信息

对《Python 深度学习库 TensorFlow 简介》的 34 条回复

发表回复点击此处取消回复。

导航

什么是 TensorFlow？

如何安装 TensorFlow

TensorFlow 中的第一个示例

使用 TensorFlow 进行计算

使用 TensorFlow 进行线性回归

更多深度学习模型

Python 深度学习需要帮助吗？

TensorFlow 资源

更多资源

总结

关于此主题的更多信息

对《Python 深度学习库 TensorFlow 简介》的 34 条回复

发表回复 点击此处取消回复。

发表回复点击此处取消回复。