欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

人工智能其实也没有那么难嘛!TensorFlow了解一下?最详细教程!

程序员文章站 2022-03-10 23:13:50
犹记得一周前,对图形验证码有点想法,自信满满的去做破解的工作,但是实际被各种打脸,不接触这行,真不懂里面的套路; 犹记得一周前,对图形验证码有点想法,自信满满的去做破解的工作,但是实际被各种打脸,不接触这行,真不懂里面的套路; 那目前人工智能的应用场景有哪些: OCR、语音技术(比如Siri)、大数 ......

犹记得一周前,对图形验证码有点想法,自信满满的去做破解的工作,但是实际被各种打脸,不接触这行,真不懂里面的套路;

人工智能其实也没有那么难嘛!TensorFlow了解一下?最详细教程!

 

人工智能其实也没有那么难嘛!TensorFlow了解一下?最详细教程!

 

人工智能其实也没有那么难嘛!TensorFlow了解一下?最详细教程!

 

人工智能其实也没有那么难嘛!TensorFlow了解一下?最详细教程!

 

那目前人工智能的应用场景有哪些:

OCR、语音技术(比如Siri)、大数据应用等~

机器学习:一种实现人工智能的方法

机器学习最基本的做法,是使用算法来解析数据、从中学习,然后对事件做出决策和预测。

需要用大量的数据来“训练”,通过各种算法从数据中学习如何完成任务。

举个例子,当浏览网上商城时,经常会出现商品推荐的信息。

人工智能其实也没有那么难嘛!TensorFlow了解一下?最详细教程!

 

人工智能其实也没有那么难嘛!TensorFlow了解一下?最详细教程!

 

按照JB的理解,深度学习最终可能会渗透在其他所有机器学习算法;

当然,并不是说深度学习就是万能的,也并不一定比机器学习牛逼,要根据场景来区别;

人工神经网络:一种机器学习的算法

以“停止(Stop)标志牌”为例,将一个停止标志牌图像的所有元素都打碎,然后用神经元进行“检查”:八边形的外形、消防车般的红颜色、鲜明突出的字母、交通标志的典型尺寸和静止不动运动特性等等。神经网络的任务就是给出结论,它到底是不是一个停止标志牌。神经网络会根据所有权重,给出一个经过深思熟虑的猜测——“概率向量”。

人工智能其实也没有那么难嘛!TensorFlow了解一下?最详细教程!

 

什么是数据流图

数据流图是描述有向图中的数值计算过程。有向图中的节点通常代表数学运算,但也可以表示数据的输入、输出和读写等操作;有向图中的边表示节点之间的某种联系,它负责传输多维数据(Tensors)。

节点可以被分配到多个计算设备上,可以异步和并行地执行操作。因为是有向图,所以只有等到之前的入度节点们的计算状态完成后,当前节点才能执行操作。

TensorFlow的特性

  • 灵活性,TensorFlow不是一个严格的神经网络工具包,只要你可以使用数据流图来描述你的计算过程,你可以使用TensorFlow做任何事情。你还可以方便地根据需要来构建数据流图,用简单的Python语言来实现高层次的功能。
  • 可移植性,TensorFlow可以在任意具备CPU或者GPU的设备上运行,你可以专注于实现你的想法,而不用去考虑硬件环境问题,你甚至可以利用Docker技术来实现相关的云服务。
  • 提高开发效率,TensorFlow可以提升你所研究的东西产品化的效率,并且可以方便与同行们共享代码- 支持语言选项,目前TensorFlow支持Python和C++语言。
  • 充分利用硬件资源,最大化计算性能
人工智能其实也没有那么难嘛!TensorFlow了解一下?最详细教程!

 

人工智能其实也没有那么难嘛!TensorFlow了解一下?最详细教程!

 

输入tensorflow,install package,然后就是等待漫长的安装过程了;

人工智能其实也没有那么难嘛!TensorFlow了解一下?最详细教程!

 

当然,喜欢高难度的同学,可以看github的官网介绍,祝你好运~

https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/get_started/os_setup.md

验证

直接 import tensorflow ,运行试试看有没有问题即可;如果有问题,会直接报错的~

第一个例子

官网有个例子,直接拿来用了:

人工智能其实也没有那么难嘛!TensorFlow了解一下?最详细教程!

 

基本使用

需要理解在TensorFlow中,是如何:

  • 将计算流程表示成图;
  • 通过Sessions来执行图计算;
  • 将数据表示为tensors;
  • 使用Variables来保持状态信息;
  • 分别使用feeds和fetches来填充数据和抓取任意的操作结果;

TensorFlow的基础概念

  • 图(Graph):用来表示计算任务,也就我们要做的一些操作。
  • 会话(Session):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,一个会话可以有多个图,通过执行这些图得到结果。如果把每个图看做一个车床,那会话就是一个车间,里面有若干个车床,用来把数据生产成结果。
  • Tensor:用来表示数据,是我们的原料。
  • 变量(Variable):用来记录一些数据和状态,是我们的容器。
  • feed和fetch:可以为任意的操作(arbitrary operation) 赋值或者从其中获取数据。相当于一些铲子,可以操作数据。

形象的比喻是:把会话看做车间,图看做车床,里面用Tensor做原料,变量做容器,feed和fetch做铲子,把数据加工成我们的结果。

人工智能其实也没有那么难嘛!TensorFlow了解一下?最详细教程!

 

如果需要使用GPU,则如下处理:


with tf.Session() as sess:
 with tf.device("/cpu:0"):
 matrix1 = tf.constant([[3,3]])
 #这是一行2列
 matrix2 = tf.constant([[2],[2]])
 #这个是两行1列
 product = tf.matmul(matrix1,matrix2)
 #创建一个矩阵乘法
 #默认的图,有3个节点,两个constant和一个matmul
 sess = tf.Session()
 #定义一个会话
 result = sess.run(product)
 #运算乘法,得到结果
 print(result)
 sess.close()
 #关闭会话

device中的各个字符串含义如下:

  • "/cpu:0": 你机器的CPU;
  • "/gpu:0": 你机器的第一个GPU;
  • "/gpu:1": 你机器的第二个GPU;

常量

tf.constant(value, dtype=None, shape=None, name='Const', verify_shape=False),value为值,dtype类型,shape为张量形状,name名称、verify_shape默认False,这些项可选。作用创建一个常量。


a = tf.constant(2, name="a") # print(a) = 2
b = tf.constant(2.0, dtype=tf.float32, shape=[2,2], name="b") # 2x2矩阵,值为2
c = tf.constant([[1, 2], [3, 4]], name="c") # 2x2矩阵,值1,2,3,4

是不是懵逼了?没事,留个大概影响就好了~

人工智能其实也没有那么难嘛!TensorFlow了解一下?最详细教程!

 

第三个例子--填充

有的时候,会在声明变量的时候不赋值,计算的时候才进行赋值,这个时候feed就派上用场了


input1 = tf.placeholder(tf.float32)
#创建一个变量占位符input1
input2 = tf.placeholder(tf.float32)
#创建一个变量占位符input2
mul = tf.multiply(input1, input2)
#乘法操作

with tf.Session() as sess:
 
 result = sess.run([mul], feed_dict={input1:[7.], input2:[2.]})
 #在运算时,用feed设置两个输入的值
 print(result)

综合例子


import tensorflow as tf
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]='2'
import numpy as np


x_data = np.random.rand(100).astype("float32")
y_data = x_data * 0.1 + 0.3
# 模拟生成100对数据对, 对应的函数为y = x * 0.1 + 0.3
# numpy是Python的一个科学计算库,提供矩阵运算的功能
# astype是转换数组的数据类型

W = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
b = tf.Variable(tf.zeros([1]))
#产生尺寸为1的张量
y = W * x_data + b
# 指定w和b变量的取值范围(注意我们要利用TensorFlow来得到w和b的值)
# tf.random_uniform,TensorFlow随机值函数,返回1矩阵,数值产生于-1.0跟1.0之间


loss = tf.reduce_mean(tf.square(y - y_data))
#reduce_mean求平均值
#square是对里面的值求平方操作
optimizer = tf.train.GradientDescentOptimizer(0.5)
#这个类是实现梯度下降算法的优化器,第一个参数是要使用的学习率 
train = optimizer.minimize(loss)
# 最小化均方误差

init = tf.global_variables_initializer()
# 初始化TensorFlow参数

sess = tf.Session()
sess.run(init)
# 运行数据流图(注意在这一步才开始执行计算过程)

for step in range(201):
 sess.run(train)
 if step % 20 == 0:
 print(step, sess.run(W), sess.run(b))
# 观察多次迭代计算时,w和b的拟合值
# 最好的情况是w和b分别接近甚至等于0.1和0.3

输出的结果:


0 [-0.39065683] [0.66207296]
20 [-0.0082044] [0.3498935]
40 [0.07841039] [0.30995506]
60 [0.09569232] [0.3019863]
80 [0.09914052] [0.30039632]
100 [0.09982852] [0.30007908]
120 [0.09996579] [0.30001578]
140 [0.09999318] [0.30000314]
160 [0.09999864] [0.30000064]
180 [0.09999974] [0.30000013]
200 [0.09999995] [0.30000004]
人工智能其实也没有那么难嘛!TensorFlow了解一下?最详细教程!

 

谢谢阅读,进群:125240963   即可获取大礼包一份!