【深度学习笔记】TensorFlow 基础

在 TensorFlow 2.0 及之后的版本中，默认采用 Eager Execution 的方式，不再使用 1.0 版本的 Session 创建会话。Eager Execution 使用更自然地方式组织代码，无需构建计算图，可以立即进行数学计算，简化了代码调试的过程。本文主要介绍 TensorFlow 的基本用法，通过构建一个简单损失函数，介绍 TensorFlow 优化损失函数的过程。

目录

1 tf.Tensor

2 tf.Variable

3 tf.GradientTape

---

TensorFlow 是一个用于机器学习的端到端平台。它支持以下内容：

• 基于多维数组的数值计算（类似于 NumPy）
• GPU 和分布式处理
• 自动微分
• 模型构建、训练和导出

1 tf.Tensor

        TensorFlow 用 tf.Tensor 对象处理多维数组（或张量），以下是一个 2 维张量例子：

import tensorflow as tf
x = tf.constant([[1., 2., 3.],[4., 5., 6.]])
print(x)

tf.Tensor(
[[1. 2. 3.]
 [4. 5. 6.]], shape=(2, 3), dtype=float32)

tf.Tensor 对象最重要的属性是 shape 与 dtype:

• Tensor.shape  返回张量每个维度的大小
• Tensor.dtype   返回张量中元素的数据类型

print(x.shape)

(2, 3)

print(x.dtype)

<dtype: 'float32'>

        TensorFlow 实现了张量的标准数学运算，同时也包括为机器学习定制的运算。以下是一些示例：

x + x
5 * x
tf.transpose(x)
tf.nn.softmax(x, axis=-1)
tf.reduce_sum(x)

2 tf.Variable

        在 TensorFlow 中，模型的权重用 tf.Variable 对象存储，称为变量。

import tensorflow as tfx = tf.Variable([0., 0., 0.])
x.assign([1, 2, 3])

<tf.Variable 'UnreadVariable' shape=(3,) dtype=float32, 
numpy=array([1., 2., 3.], dtype=float32)>

        tf.Variable 对象的数值可以改变，在 TensorFlow 2.0 中，不再使用 Session 启动计算，变量可以直接算出结果。

x.assign_add([1, 1, 1,])

<tf.Variable 'UnreadVariable' shape=(3,) dtype=float32, 
numpy=array([2., 3., 4.], dtype=float32)>

x.assign_sub([1, 1, 1])

<tf.Variable 'UnreadVariable' shape=(3,) dtype=float32, 
numpy=array([1., 2., 3.], dtype=float32)>

3 tf.GradientTape

        梯度下降法与相关算法是现在机器学习的基础。TensorFLow 实现了自动微分来计算梯度，通常用于计算机器学习模型的损失函数的梯度。

        TensorFlow 2.0 提供了 tf.GradientTape 对象，可以理解为“梯度流”，顾名思义，tf.GradientTape 是用来计算梯度用的。

        以下是一个简单的示例：

import tensorflow as tfdef f(x):return x**2 + 2*x - 5x = tf.Variable(1.0)with tf.GradientTape() as tape:y = f(x)
g_x = tape.gradient(y, x) # 计算 y 在 x = 1.0 处的梯度
print(g_x)

4.0

最后，构建一个简单损失函数，并使用 TensorFlow 计算最小值。

import tensorflow as tfdef loss(x):return x**2 - 10*x + 25x = tf.Variable(1.0) # 随机初始值losses = [] # 记录损失函数值
for i in range(100):with tf.GradientTape() as tape:one_loss = loss(x)lossed.append(one_loss)grad = tape.gradient(one_loss, x)x.assign_sub(0.1 * grad) # 执行一次梯度下降法print("The mininum of loss function is: ")
tf.print(x)

The mininum of loss function is: 

4.99999905

# 可视化优化过程
import matplotlib
from matplotlib import pyplot as pltmatplotlib.rcParams['figure.figsize'] = [8, 5]plt.figure()
plt.plot(losses)
plt.title('Loss vs training iterations')
plt.xlabel('iterations')
plt.ylabel('loss')