TensorFlow 2.0简单介绍及使用
TensorFlow 2.0简单介绍及使用
TensorFlow 2.0简介
TensorFlow起源于谷歌内部的DisBelief平台，2015年11月9日谷歌依据Apache 2.0协议将其开源。
TensorFlow 1.x经过三年多的迭代，在2018年的Google Cloud Next上TensorFlow团队宣布开启TensorFlow 2.0的迭代，2019年3月TensorFlow团队发布了TensorFlow 2.0-Alpha版本，同年6月发布了TensorFlow 2.0-Beta版本。
TensorFlow 2.0在TensorFlow 1.x版本上进行了大幅度改进，主要的变化如下：
- 将Eager模式作为TensorFlow 2.0默认的运行模式。Eager模式是一种命令行交互式的运行环境，不用构建Session就可以完成控制流的计算和输出。
- 删除tf.contrib库，将tf.contrib库中的高阶API和应用整合到tf.keras库下
- 合并精简API，将TensorFlow 1.x中大量重复、重叠的API进行合并精简
- 删除全局变量，在TensorFlow 2.0中不再有变量自动追踪机制，需要开发者自己实现对变量的追踪。一旦丢失对变量的追踪，变量就会被垃圾回收机制回收，不过开发者可以使用Keras对象来减轻自己的负担。
- 确立Keras的高阶API的唯一地位，在TensorFlow 2.0中所有的高阶API全部集中到tf.keras库下。
TensorFlow2.0环境搭建
TensorFlow支持CPU和GPU作为计算资源，而且不管使用Windows系统还是Linux系统都可以安装TensorFlow。
Linux CPU环境
直接使用python3-pip安装TensorFlow 2.0
sudo apt-get install python3-pip
#安装TensorFlow 2.0
pip3 install tensorflow==2.0.0
#测试是否安装成功
python3
#导入tensorflow并打印其版本
import tensorflow as tf
print(tf.__version__)
Windows CPU环境
在Windows环境下可以使用Anaconda安装TensorFlow 2.0
-
打开Anaconda官网下载适应自己系统的安装版本
-
打开Anaconda Prompt，就可以直接使用pip命令进行安装
#安装TensorFlow 2.0 pip3 install tensorflow==2.0.0验证是否成功安装
#导入tensorflow并打印其版本 import tensorflow as tf print(tf.__version__)
基于Docker 的GPU环境搭建
TensorFlow官方提供了基于NVIDIA GPU显卡的Docker镜像，只需要在操作系统中安装GPU的显卡驱动即可，不需要安装cuDNN和CUDA就可以直接构建起一个TensorFLow-GPU开发环境。
在NVIDIA官网查看并下载显卡的驱动程序，下载地址为https://www.nvidia.cn/Download/index.aspx?lang=cn
TensorFlow 2.0 基础知识
基础知识，包括运行模式和基本的语法操作等。
TensorFlow 2.0 Eager模式简介
TensorFlow 2.0把Eager模式作为默认的模式,以此来提高TensorFlow的易用性和交互的友好性。
TensorFlow 2.0的Eager模式是一种命令式编程环境，无须构建计算图，所有的操作会立即返回结果。Eager模式不但使开发者可以轻松地使用TensorFlow进行编程和调试模型，而且还使编程代码变得更加简洁。
在TensorFlow官网总结的Eager模式的优势:
- 直观的代码结构：使代码更加符合Python的代码结构，整个代码逻辑一目了然
- 更轻松的调试功能：直接调用操作以检查正在运行的模型并测试更改
- 自然控制流程：使用Python控制流程而不是图控制流程，降低了动态图模型的规模
TensorFlow 2.0 AutoGraph简介
AutoGraph是tf.function装饰器带来的一个功能，可以将Python控制流转换为计算图，就是我们可以直接使用Python实现对计算图进行另一种意义的编辑。AutoGraph将控制流转换为计算图的方式可以带来更快的模型运行效率，以及模型导出上的便利，使用tf.function装饰器具有如下优势：
- 虽然一个函数被tf.function装饰后会被编译成图，但是依然可以按照函数的方式进行调用
- 如果在装饰的函数中有被调用的函数，那么被调用的函数也将以图的模式运行
- tf.function支持Python所有的控制流语句，比如if、for、while等
TensorFlow 2.0低阶API基础编程
在TensorFlow 2.0中定义了很多低阶API，一些常用的重要的低阶API。
-
tf.constant
tf.constant提供了常量的声明功能
import tensorflow as tf a = tf.constant(7) print(a) print(a.numpy()) ########## tf.Tensor(7, shape=(), dtype=int32) 7 -
tf.Variable
tf.Variable提供了变量的声明功能
import tensorflow as tf #声明一个Python变量 a1=7 #声明一个0阶Tensor变量 a2=tf.Variable(7) #声明一个1阶Tensor变量，即数组 a3=tf.Variable([0,1,2]) print(a1) print(a2) print(a3) ########### 7 <tf.Variable 'Variable:0' shape=() dtype=int32, numpy=7> <tf.Variable 'Variable:0' shape=(3,) dtype=int32, numpy=array([0, 1, 2])> -
tf.reshape
tf.reshape提供了多阶Tensor的形状变换功能
import tensorflow as tf a=tf.Variable([[0,1,2], [3,4,5]]) print(a.shape) #对a的形状进行变换，变换为(3,2) a1=tf.reshape(a, [3,2]) print(a1.shape) ########### (2, 3) (3, 2) -
tf.math.reduce_mean
tf.math.reduce_mean提供了对Tensor求平均值的功能，输出数据类型会根据输入数据类型来确定。
使用该API时可以配置的参数如下:
- input_tensor：配置输入的Tensor
- axis：配置按行求平均值或按列求平均值，默认是全行全列求平均值
- keepdims：配置输出结果是否保持二维矩阵特性
- name：配置操作的名称
import tensorflow as tf a=tf.constant([1,2.,3,4,5,6,7.]) #输入数据类型是float32，输出数据类型也是float32 print(a.dtype) print(tf.math.reduce_mean(a)) b=tf.constant([[1,2,1], [5,2,10]]) #输入数据类型是int32，输出数据类型也是int32 print(b.dtype) #其实平均值应为(1+2+1+5+2+10)/6=3.5，但是由于输出类型为整型，因此强制赋值为3 print(tf.math.reduce_mean(b)) ########### <dtype: 'float32'> tf.Tensor(4.0, shape=(), dtype=float32) <dtype: 'int32'> tf.Tensor(3, shape=(), dtype=int32) -
tf.random.normal
tf.random.normal可以随机生成一个Tensor，其值符合正态分布。
使用该API时有如下参数需要配置:
- shape：配置生成Tensor的维度
- mean：配置正态分布的中心值
- stddev：配置正态分布的标准差（ 不是方差 )
- seed：配置正态分布的随机生成种子
- dtype：配置生成Tensor的数据类型
import tensorflow as tf a=tf.random.normal(shape=[2,3], mean=2) print(a.numpy()) ######## [[1.9367738 2.375896 2.2572062] [2.2311876 2.0414147 2.7178261]] -
tf.random.uniform
tf.random.uniform可以随机生成一个Tensor，其值符合均匀分布。
使用该API时有如下参数需要配置:
- shape：配置生成Tensor的维度
- minval：配置随机生成数值的最小值
- maxval：配置随机生成数值的最大值
- seed：配置正态分布的随机生成种子
- dtype：配置生成Tensor的数据类型
import tensorflow as tf a=tf.random.uniform(shape=[2,3], minval=1, maxval=10, seed=8, dtype=tf.int32) print(a.numpy()) ######## [[4 9 9] [6 4 9]] -
tf.transpose
tf.transpose提供了矩阵的转置功能。
使用该API时配置的参数如下：
-
a：输入需要转置的矩阵
-
perm：配置转置后矩阵的形状,
[0,2,1]表示 转置后的第0维是原本的第0维，转置后的1维是原本的第2维，转置后的第2维是原本的第1维
如果原本的形状为: [2,2,3] , 则转置后为 [ 2,3, 2]
-
conjugate：当输入矩阵是复数时，需要配置为True
-
name：配置本次操作的名称
import tensorflow as tf x = tf.constant([[ [ 1, 2, 3], [ 4, 5, 6]], [ [ 7, 8, 9], [10, 11, 12]]]) a=tf.transpose(x, perm=[0,2,1]) print(a.numpy()) ######### [[[ 1 4] [ 2 5] [ 3 6]] [[ 7 10] [ 8 11] [ 9 12]]] -
-
tf.math.argmax
tf.math.argmax提供了返回一个数组内最大值对应索引的功能。
使用该API时有如下参数可以配置:
- input：配置输入的数组
- axis：配置计算的维度
- output_type：配置输出的格式
- name：配置操作的名称
import tensorflow as tf a=tf.constant([1,2,3,4,5]) x=tf.math.argmax(a) print(x.numpy()) ######## 4 -
tf.expand_dims
tf.expand_dims的作用是在输入的Tensor中增加一个维度，比如t是一个维度为[2]的Tensor，那么tf.expand_dims(t,0)的维度就会变成[1,2]。
使用这个API时需要配置如下参数:
- input：配置输入的Tensor
- axis：配置需要添加维度的下标，比如[2,1]需要在2和1之间添加，则配置值为1。
- name：配置输出Tensor的名称。
import tensorflow as tf #初始化一个维度为(3,1)的Tensor a=tf.constant([[1], [2], [3]]) print(a.shape) #为a增加一个维度，使其维度变成（1,3,1） b=tf.expand_dims(a,0) print(b.shape) print(b) ########### (3, 1) (1, 3, 1) tf.Tensor( [[[1] [2] [3]]], shape=(1, 3, 1), dtype=int32) -
tf.concat
tf.concat的作用是将多个Tensor在同一个维度上进行连接
使用该API时需要进行如下参数配置
- values：配置Tensor的列表或者是一个单独的Tensor
- axis：配置按行或按列连接，axis=0表示按行连接，axis=1表示按列连接。
- name：配置运算操作的名称
import tensorflow as tf a1=tf.constant([[2,3,4], [4,5,6], [2,3,4]]) a2=tf.constant([[1,2,2], [6,7,9], [2,3,2]]) #按行进行连接 b=tf.concat([a1, a2], axis=0) print(b.numpy()) ######## [[2 3 4] [4 5 6] [2 3 4] [1 2 2] [6 7 9] [2 3 2]] -
tf.bitcast
tf.bitcast提供了数据类型转换功能
使用该API时需要进行如下参数配置
- input：配置需要进行类型转换的Tensor, Tensor的类型可以为bfloat16, half, float32, float64, int64, int32, uint8, uint16, uint32, uint64, int8, int16, complex64, complex128, qint8, quint8, qint16, quint16, qint32。
- type：配置转换后的数据类型，可以选择的类型包括tf.bfloat16, tf.half, tf.float32, tf.float64, tf.int64, tf.int32, tf.uint8, tf.uint16, tf.uint32, tf.uint64, tf.int8, tf.int16, tf.complex64, tf.complex128, tf.qint8, tf.quint8, tf.qint16, tf.quint16, tf.qint32。
- name：配置运算操作的名称。
import tensorflow as tf a=tf.constant(32.0) b=tf.bitcast(a, type=tf.int32) print(a.dtype) print(b.dtype) ######### <dtype: 'float32'> <dtype: 'int32'>
TensorFlow 2.0高阶API（tf.keras）
在TensorFlow 2.0中对大量的高阶API库进行了删减与合并，根据官方的解释，这一切的变化都是为了使TensorFlow 2.0更加易用和简洁
-
tf.keras高阶API概览
在TensorFlow 2.0版本中完全移除了tf.contrib这个高阶API库，官方推荐的高阶API只有tf.keras。
Keras是一个意在降低机器学习编程入门门槛的项目，其在业界拥有众多的拥护者和使用者。
经过Keras社区的多年发展，Keras集成了很多符合工业和研究需求的高阶API，使用这些API只需要几行代码就可以构建和运行一个非常复杂的神经网络。
TensorFlow官方社区首次宣布发布TensorFlow 2.0版本计划时就明确了Keras会深度融合到TensorFlow中，并且作为官方支持的高阶API。
官方文档中提到的tf.keras下的接口模块:
- activations:tf.keras.actibations中包含了当前主流的激活函数，可以直接通过该API进行激活函数的调用。
- applications:tf.keras.applications中包含的是已经进行预训练的神经网络模型，可以直接进行预测或者迁移学习。目前该模块中包含了主流的神经网络结构。
- backend:tf.keras.backend中包含了Keras后台的一些基础API接口，用于实现高阶API或者自己构建神经网络。
- datasets:tf.keras.datasets中包含了常用的公开数据训练集，可以直接进行使用（需要翻墙），数据集有CIFAR-100、Boston Housing等。
- layers:tf.keras.layers中包含了已经定义好的常用的神经网络层。
- losses:tf.keras.losses中包含了常用的损失函数，可以根据实际需求直接进行调用。\
- optimizers:tf.keras.optimizers中包含了主流的优化器，可以直接调用API使用。比如Adm等优化器可以直接调用，然后配置所需要的参数即可。
- preprocessing:tf.keras.preprocessing中包含了数据处理的一些方法，分为图片数据处理、语言序列处理、文本数据处理等，比如NLP常用的pad_sequences等，在神经网络模型训练前的数据处理上提供了非常强大的功能。
- regularizers:tf.keras.regularizers中提供了常用的正则化方法，包括L1、L2等正则化方法。
- wrappers:tf.keras.wrappers是一个Keras模型的包装器，当需要进行跨框架迁移时，可以使用该API接口提供与其他框架的兼容性。
- Sequential类：tf.keras.Sequential可以将神经网络层进行线性组合形成神经网络结构。
-
tf.keras高阶API
**例子：**构建一个线性回归模型
-
使用tf.keras高阶API构建神经网络模型
在TensorFlow 2.0中可以使用高阶API tf.keras.Sequential进行神经网络模型的构建。
#导入所需要的依赖包 import tensorflow as tf import numpy as np #实例化一个tf.keras.Sequential model=tf.keras.Sequential() #使用Sequential的add方法添加一层全连接神经网络 model.add(tf.keras.layers.Dense(input_dim=1, units=1)) #使用Sequential的compile方法对神经网络模型进行编译，loss函数使用MSE， optimizer使用SGD（随机梯度下降） model.compile(loss='mse', optimizer='sgd') -
使用tf.keras高阶API训练神经网络模型
在完成神经网络模型的构建和编译之后，需要准备训练数据，然后对神经网络模型进行训练。
可以使用tf.keras.Sequential的fit方法进行训练
#随机生成一些训练数据，在-10到10的范围内生成700个等差数列作为训练输入 X = np.linspace(-10, 10, 700) #通过一个简单的算法生成Y数据，模拟训练数据的标签 Y=2*X+100+np.random.normal(0, 0.1, (700, )) #开始训练，“verbose=1”表示以进度条的形式显示训练信息，“epochs=200”表示训练的epochs为200, “validation_split=0.2”表示分离20%的数据作为验证数据 model.fit(X, Y, verbose=1, epochs=200, validation_split=0.2) -
使用tf.keras高阶API保存神经网络模型
在完成神经网络模型的训练之后，可以使用Sequential的save方法将训练的神经网络模型保存为H5格式的模型文件。
filename='line_model.h5' model.save(filename) print("保存模型为line_model.h5") -
使用tf.keras高阶API加载模型进行预测
加载神经网络模型需要使用tf.keras.models.load_model这个API，在完成模型的加载后可以使用Sequential的predict方法进行预测。
import tensorflow as tf filename='line_model.h5' x=tf.constant([0.5]) model=tf.keras.models.load_model(filename) y=model.predict(x) print(y)
-