人工智能开发实战TensorFlow机器学习框架解析

‌‌TensorFlow是由‌Google开发的用于‌机器学习和人工智能的开源软件库，特别适用于‌深度神经网络的训练和推理。‌ 它是一个基于‌数据流图的符号数学系统，设计用于解决复杂的数学问题，并广泛应用于机器学习、深度学习等领域。

天涯幺妹

1505人浏览 · 2024-08-28 13:40:06

天涯幺妹 · 2024-08-28 13:40:06 发布

内容导读

TensorFlow概述

TensorFlow环境搭建

TensorFlow计算机加速

一、TensorFlow概述

1、TensorFlow简介

TensorFlow可以做很多有趣的工作，如图像风格迁移，通过神经网络可以将一幅图片的风格迁移到另一幅图片上。

如图所示是荷兰后印象派画家梵•高的The Starry Night（《星月夜》），将其作为被迁移的图片。

原始图片为麻省理工学院Stata中心，迁移后的图片如下。

2、TensorFlow版本变化

为了让大家更好地理解TensorFlow，下面从3个不同的角度对其进行分析。

（1）TensorFlow的计算模型为计算图（Graph）

TensorFlow的名字本身由两个单词构成，即Tensor和Flow。Tensor指的是张量，在TensorFlow中，Tensorf可以简单地理解为多维数组，而Flow翻译过来是“流”，表达了张量之间通过计算进行相互转换的含义。

（2）TensorFlow的数据模型为张量（Tensor）

在TensorFlow中，所有的数据类型都表示为张量。张量是一个多维数组，如果直接打印某一个张量，并不会像打印List或NumPy一样输出它的值，而是会得到一个结构，结构中包括该张量的名称、维度和类型。

（3）TensorFlow的运行模型为会话（Session）

在TensorFlow中，有了数据模型以及计算模型后，在代码执行过程中需要使用会话，会话负责管理代码运行时的所有资源。如果没有指定，会话将会自动加入系统生成的默认计算图中，执行其中的运算。

3、分布式TensorFlow

分布式TensorFlow有一些基本概念

（1）task：一个task一般会关联到某个单一的TensorFlow服务端的处理过程，属于一个特定的Job，并且在该Job的任务列表中有唯一的索引，可以将其理解为每台机器上的一个进程。

（2）Job：Job分为ps、worker两种，一个Job包含一系列致力于某个相同目标的task。

（3）Cluster（集群）：一个TensorFlow集群包含一个或者多个TensorFlow服务端，集群被切分为一系列Job，而每个Job又会负责一系列的task。一个集群会专注于一个相对高层的目标，如用多台机器并行地训练一个神经网络。

二、TensorFlow环境搭建

1、安装Anaconda

‌‌Anaconda是一个用于科学计算的‌Python发行版，它提供了便捷的包管理和环境管理功能，特别适用于数据分析、‌机器学习等领域。

（1）下载64位Anaconda，然后双击下载好的包进入安装界面，单击“Next >”按钮。

说明：目前此工具已更新到更高版本v24.1.2啦，安装过程与2019.03相同。

（2）进入同意许可（License Agreement）界面，单击“I Agree”按钮同意协议许可

（3）进入选择安装类型（Select Installation Type）界面，选中“All Users (requires admin privileges)”单选按钮，为计算机所有用户进行安装，单击“Next >”按钮

（4）进入选择安装路径（Choose Install Location）界面，单击“Browse”按钮选择安装路径，然后单击“Next >”按钮

（5）进入高级安装选项（Advanced Installation Options）界面，勾选复选框，单击“Install”按钮

（6）进入安装完成（Installation Complete）界面，等待安装完成，这个过程比较长，安装完成后单击“Next >”按钮

（7）进入软件推荐界面，Anaconda推荐使用PyCharm作为IDE，PyCharm的安装在第2章介绍过，单击“Next >”按钮

（8）进入感谢安装Anaconda界面，取消勾选复选框，相关知识将在本书后续内容中进行讲解，单击“Finish”按钮，完成安装

（9）安装完成后，打开命令提示符窗口，输入“conda -V”以获得Anaconda版本号，如果输出正常，证明Anaconda正确安装，如图所示（目前已更新到了高版本v24.1.2啦）

（10）找到并打开Anaconda Navigator软件，进入Anaconda界面模式，Anaconda Navigator图标如图

（11）Anaconda在默认环境“base(root)”，新建TensorFlow的环境，在主界面中选择“Environments”→“Create”目录，在弹出的对话框，进行相应设置

（12）等待创建完成，创建完成的界面

（13）新环境创建完成后，在命令提示符窗口输入“activate TensorFlow”，进入新环境，如图

2、使用pip的Windows环境安装

（1）CPU版本安装

在Anaconda的TensorFlow环境下的命令提示符窗口内输入“pip install tensorflow==1.9.0”，安装1.9.0版本的TensorFlow及其相关依赖包（安装过程需全程联网），如图。

说明：当前已更新为更高版本。

安装完成后测试是否安装成功，在Anaconda的TensorFlow环境下的命令提示符窗口内输入“python”，进入Python环境。

输入“import tensorflow as tf”命令，查看是否报错，不报错说明安装成功。

（2）GPU版本安装

安装GPU版本的TensorFlow之前需要查看自己的计算机或嵌入式设备是否支持该版本。

如果支持GPU版本的TensorFlow，在安装之前需要安装CUDA和cuDNN。

要安装cuDNN，需要注册成为NVIDIA用户，填写问卷调查才可以下载。

在安装时需注意CUDA、cuDNN的版本匹配问题，安装成功后，即可开始安装GPU版本的TensorFlow，可以新建一个Anaconda环境安装GPU版本的TensorFlow。

在Anaconda环境下的命令提示符窗口输入“pip install tensorflow-gpu==1.9.0”命令即可完成安装。

3、使用pip的Linux环境安装

在Linux（以Ubuntu为例）下安装Anaconda和在Windows下安装的过程一样，在Linux系统下安装完Python（很多Linux系统自带Python 2和Python 3）和pip工具。

直接输入“pip3 install tensorflow ==1.9.0”命令完成CPU版本TensorFlow的安装，如下所示：

# 目前已更新到高版本24.1.2
corday@ubuntu:~$  pip3   install   tensorflow==1.9.0

4、使用源代码编译安装

在Linux操作系统上通过源码安装TensorFlow，需要使用Bazel编译工具。

安装依赖JDK8之后通过apt-get安装或者下载Bazel源码，然后安装Bazel编译工具。

Bazel编译工具安装完成后，下载TensorFlow源码目录。

进入TensorFlow的源码目录后，输入“./configure”命令进行TensorFlow编译安装配置。

配置过程中会出现Python路径询问等问题，可以根据自己的实际情况进行选择或者选择默认配置。

在配置完成后，采用Bazel命令安装TensorFlow，输入“bazel build -c opt /tensorflow/tools/pip_package:build_pip_package”。

安装完成后输入“bazel-bin/tensorflow/tools/pip_package/build_pip_package/tmp/tensorflow_pkg”命令，

在tmp/tensorflow_pkg目录下生成扩展名为.whl的文件，然后使用pip3命令安装该文件即可。

# 命令如下
pip3  install  文件名.whl

三、TensorFlow计算机加速

1、TensorFlow的使用

示例：新建TensorFlow目录，在TensorFlow目录下新建文件，命名为test.py，在PyCharm中编写代码实现向量的加法运算。

# tf.constant是一个计算，计算结果是一个张量，保存在变量a或者b中
a = tf.constant([1.0, 2.0], name="a")
b = tf.constant([3.0, 4.0], name="b")
# 将a和b相加，相加后的名字为“add”
result = tf.add(a, b, name = "add")
# 输出
print(result)
# 创建一个会话，通过Python上下文管理器来管理该会话
# 启动默认图表
with tf.Session() as sess:
      print("a = [1.0, 2.0], b = [3.0, 4.0]")
      print("两个向量相加: a + b = ", sess.run(result))
      # 将数据写到日志中
      summary_writer = tf.summary.FileWriter("log", sess.graph)

运行后效果图：

2、TensorFlow使用GPU加速

示例：在TensorFlow项目下新建test_gpu.py文件，使用GPU版本的TensorFlow实现向量的相加。

（在同一个环境下可同时安装CPU版本的TensorFlow和GPU版本的TensorFlow）

import tensorflow as tf
# 通过tf.device()将运算指定到CPU上
with tf.device("/cpu:0"):
      a = tf.constant([1.0, 2.0], name="a")
      b = tf.constant([3.0, 4.0], name="b")
# 通过tf.device()将运算指定到GPU上
with tf.device("/gpu:0"):
      result = tf.add(a, b, name = "add")
# 利用log_device_placement将参与运算的设备输出
sess = tf.Session(config=tf.ConfigProto(log_device_placement = True))
print(sess.run(result))

由上代码可知，并不是所有的操作都放在GPU上，a = tf.constant([1.0, 2.0], name="a")和b = tf.constant([3.0, 4.0], name="b")。

两个定义a和b常量的操作会通过“with tf.device("/cpu:0")”函数加载到CPU上，使用result = tf.add(a, b, name = "add")做相加运算时，这个过程会被加载到GPU上，并且这个操作会将参与运算的设备信息打印出来。

在GTX1050上得到如下运算结果：

Device mapping:
/job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: GeForce GTX 1050, pci bus id: 0000:01:00.0, compute capability: 6.1
add: (Add): /job:localhost/replica:0/task:0/device:GPU:0
a: (Const): /job:localhost/replica:0/task:0/device:CPU:0
b: (Const): /job:localhost/replica:0/task:0/device:CPU:0
[4. 6.]

更多精彩内容请关注本站！