【Tensorflow专题-01】深度学习应用介绍及tensorflow基本使用

摘要：这篇文章主要介绍深度学习的几个应用领域及安装tensorflow

深度学习应用领域

• 图像识别
• 语音识别
• 音频处理
• 自然语言处理
• 机器人
• 生物信息处理
• 电脑游戏
• 搜索引擎
• 网络广告投放
• 医学自动诊断
• 金融

基本工具介绍

• Protocol Buffer：结构化数据工具
• Bazel：自动化构建工具，用来编译程序

TensoFlow介绍

• TensorFlow是由谷歌开发并维护的深度学习框架，在目前主流的深度学习框架中处于领先地位

安装TensorFLow

使用Python的pip命令安装，楼主安装的是CPU 版本

楼主使用的Python版本：3.6.1|Anaconda 4.4.0

安装命令： pip install tensorflow --upgrade

等待安装，一切正常的话，安装完成后进行一下测试：

import tensorflow

如果导入正常，说明安装成功，下面使用一个例子打印出Hello world

# 测试Tensorflow
import tensorflow as tf

__author__ = 'yooongchun'


def test():
    hello = tf.Variable('Hello world', name='helloworld')

    with tf.Session() as sess:
        initialize = tf.global_variables_initializer()
        sess.run(initialize)
        print(sess.run(hello))

在main函数中调用test:

if __name__=='__main__':
  test()

上面的示例会打印出如下结果：

b'Hello world'

TensorFlow 入门

• 计算图：TensoFlow是一个通过计算图的形式来表述计算的编程系统。TensorFlow中的每一个计算都是计算图上的一个节点，而节点之间的边描述了计算之间的依赖关系。如下图示意

  

• 计算图例子

  
  # TensorFlow 计算图使用例子
  
  
  # author = yooongchun
  
  
  # time = 20180102
  
  
  import tensorflow as tf
  
  
  # 新建一个计算图
  
  g1=tf.Graph()
  with g1.as_default():
  v=tf.get_variable("v",initializer=tf.zeros_initializer(),shape=[1])
  
  
  # 新建另一个计算图，说明计算图之间的变量不共享
  
  g2=tf.Graph()
  with g2.as_default():
  v=tf.get_variable("v",initializer=tf.ones_initializer(),shape=[1])
  
  
  # 读取计算图中变量值
  
  with tf.Session(graph=g1) as sess:
  tf.global_variables_initializer().run()
  with tf.variable_scope('',reuse=True):
      print(sess.run(tf.get_variable('v')))
  
  with tf.Session(graph=g2) as sess:
  tf.global_variables_initializer().run()
  with tf.variable_scope('',reuse=True):
      print(sess.run(tf.get_variable('v')))

  运行结果：

  2018-01-02 09:05:11.360838: W C:\tf_jenkins\home\workspace\rel-win\M\windows\PY\36\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX instructions, but these are available on your machine and could speed up CPU computations.
  2018-01-02 09:05:11.366188: W C:\tf_jenkins\home\workspace\rel-win\M\windows\PY\36\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations.
  [ 0.]
  [ 1.]
  [Finished in 2.5s]

• 使用集合管理不同类别资源：TensorFlow提供了一些自动维护的常用集合，如下图所示

  

• TensorFlow 计算模型：张量–TensorFlow管理数据的方式，Tensorflow中所有的数据都通过张量表示，简单来说就是多维数组。其中，零维张量及标量（scalar），为一个数，一阶张量为向量（vector），以此类推。张量中保存的是运算过程而非结果，如下例子所示：

  
  # TensorFlow 张量运算例子
  
  
  # author = yooongchun
  
  
  # time = 20180102
  
  
  import tensorflow as tf
  
  a=tf.constant([1.0,2.0],name='a')
  b=tf.constant([2.0,3.0],name='b')
  result=tf.add(a,b,name='add')
  print(result)

  结果：

  Tensor("add:0", shape=(2,), dtype=float32)
  [Finished in 2.6s]

  上面的结果表示：

  • 结果来自add节点的第一个输出，结果为一维数组长度为2，类型为float32

• Tensorflow运行模型–会话（Session）：用来执行定义好的运算，比如对上面的程序计算结果

  
  # TensorFlow 会话运算例子
  
  
  # author = yooongchun
  
  
  # time = 20180102
  
  
  import tensorflow as tf
  
  a=tf.constant([1.0,2.0],name='a')
  b=tf.constant([2.0,3.0],name='b')
  result=tf.add(a,b,name='add')
  
  with tf.Session() as sess:
  print(sess.run(result))
  
  # 结果
  
  
  # [ 3.  5.]
  

  ​

  ​

  ​

  ​

  ​