什么是TensorFlow

什么是TensorFlow

TensorFlow是一个用于复杂数值计算的开源Python库。它是一个基础库，可以用来创建机器学习/深度学习神经网络模型，如:

• 可微的神经网络
• 需要梯度优化的深度网络模型

TensorFlow是一个用于复杂数值计算的开源Python库。它是一个基础库，可以用来创建机器学习/深度学习神经网络模型，如:

• 可微的神经网络
• 需要梯度优化的深度网络模型

TensorFlow的底层api可以作为Keras等高级接口的后端计算引擎，这简化了网络模型的定义和训练。有关Keras的更多信息，请参阅什么是Keras Model．

TensorFlow结合:

• 象征性的数学．用计算机计算数学方程和符号形式的表达式。x * y
• 数据流．断开数据组件到并发执行的数据管道的连接。
• 可微的编程．涉及微分函数的梯度优化。
• 泛化．在TensorFlow中，张量是对多维数组的抽象。保留了张量微积分中定义的张量的本质意义，但去掉了张量微积分的形式和细节。

TensorFlow为了强大而牺牲了用户好友:

• 高效计算包含多维数组的数学表达式。
• 处理其他平台无法处理的困难、复杂的算法和模型。
• 对于需要自定义编码的用例来说足够灵活，并且能够使用内置算法和预先训练的模型自动化许多任务。
• 从单台机器到具有巨大数据集的分布式网络具有高度的可伸缩性。
• 可以利用CPU、TPU(张量处理单元)和GPU(图形处理单元)进行计算。

开始使用TensorFlow

如果你没有安装TensorFlow，请参考如何安装Keras和TensorFlow．

开始使用TensorFlow的最简单的方法是使用Keras，它作为TensorFlow的高级接口无缝集成。最好的方法是从Keras Sequential API开始，然后尝试它的Functional API。一旦熟悉了Keras(及其局限性)，就可以考虑更全面的TensorFlow平台。

欲了解更多关于Keras的信息，请参阅“什么是克拉斯模型?

TensorFlow Keras例子

在这个例子中，一个TensorFlow Keras应用程序是通过结合TensorFlow基础库和Keras类(TensorFlow子类)创建的。我们将使用MNIST数据集定义一个简单的CNN(卷积神经网络)模型用于手写字符识别:

#导入所需的TensorFlow库#和这个例子的Keras类:keras导入模型从tensorflow.keras.models导入顺序tensorflow.keras.layers进口密集,扁平,Conv2D, AveragePooling2D #负载MNIST数据集分为训练和测试样本:MNIST = tf.keras.datasets.mnist (x_train y_train), (x_test y_test) = mnist.load_data() #重塑形象维度:x_train = x_train.reshape (x_train。x_test = x_test.重塑(x_test. (x_test.))#对上一个函数的输出进行归一化:x_train = tf.keras.utils。x_test = tf.keras.utils. Normalize (x_train, axis=1)normalize(x_test, axis=1) #创建模型:model = Sequential()模型。添加(Conv2D(filters=6, kernel_size=(3,3)， activation='tanh'， input_shape=(28,28,1)))模型。添加(Conv2D(filters=16, kernel_size=(3,3)， activation='tanh'))模型。add(密度(单位= 128,激活= '双曲正切'))模型。add(density (units=10, activation = 'softmax')) #打印一个模型的总结:model.summary()

TensorFlow核心应用实例

TensorFlow核心应用程序通常包括两个离散部分:

1. 构建阶段．创建由节点(ops)和张量(节点'边')组成的计算图。
2. 执行阶段．图形封装在会话中并运行。

在这个例子中，我们构造了一个基本的计算图并在会话中执行它:

#导入库需要在这个例子:进口tensorflow tf #类环境将会创建一个图#和运行在一个会话:tf.compat.v1.Session(目标= "图= None,配置= None) #禁用渴望执行(立即执行的操作#)被称为tensorflow 2。x: tf.compat.v1.disable_eager_execution() #创建一个图。a = tf.constant(7.0) b = tf.constant(11.0) c = a * b #在会话中启动图形:sess = tf.compat.v1.Session() #计算张量'c': print(sess.run(c))

图1所示。在会话中启动图形，并计算张量:

---

Python包管理的现代解决方案——尝试ActiveState的平台

Acti188bet金宝搏备用veState Platform是一个基于云的Python构建工具。它提供了构建自动化和漏洞修复:

• Python语言核心，包括Python 2.7和Python 3.5+
• Python包及其依赖项，包括:
• (即传递依赖关系。，依赖的依赖)
• 链接的C和Fortran库，因此您可以构建数据科学包
• Windows、Linux和macOS的操作系统级依赖
• 依赖关系(即共享。OpenSSL)
• 在几分钟内找到、修复和自动重建安全版本的Python包，如Django和环境

运行中的Python包管理

了解ActiveState平台如何帮助您管理Python环境的依赖项。188bet金宝搏备用只需运行以下命令来安装Python 3.9和我们的包管理器State Tool:

窗户

powershell -Command "& $([scriptblock]::Create((New-Object Net.WebClient).DownloadString('https://platform.activestate.com/dl/cli/install.ps1')) -activate-default ActiveState-Labs/Python-3.9Beta"

Linux

——activate-default ActiveState-Labs/Python-3.9Beta .sh <(curl -q https://platform.activestate.com/dl/cli/install.sh)——activate-default ActiveState-Labs/Python-3.9Beta

现在可以运行状态install 。了解更多关于如何使用状态工具来管理Python环境。

让我们知道你的经验ActiveState的社区论坛。

推荐阅读

使用Python的空气质量预测模型

TensorFlow优化摊牌:ActiveState vs. Anaconda