【TensorFlow】Day-1 TensorFlow環境準備&參考資料

原創

2020-06-10 16:13

一、環境準備

1、安裝

這裏採用容器的方式安裝，安裝文檔可以參考https://www.tensorflow.org/install

docker pull tensorflow/tensorflow:latest-py3
# 在容器中運行宿主機指定腳本，-v參數將宿主機和容器進行綁定，-w參數指定tf的運行目錄，此時script.py腳本位於宿主機上
docker run -it --rm -v /usr/local/software/docker_files/tf_data/script:/tmp -w /tmp tensorflow/tensorflow python ./script.py
# 啓動jupyter notebook，該鏡像的jupyter notebook默認打開的是容器的/tf目錄
docker run -it -d -p 8888:8888 \
--net mynetwork \
-v /usr/local/software/docker_files/tf_data/script:/tf \
-v /usr/local/software/docker_files/tf_data/data:/data \
-v /usr/local/software/docker_files/tf_data/model:/model \
tensorflow/tensorflow:nightly-py3-jupyter

在容器+jupyter的模式下進入TF，通過日誌中如下類似鏈接”http://127.0.0.1:8888/?token=fb35504be29fdb4f218912dd09d91f09960ff84a2da49d32” ，可以直接打開jupyter頁面。

後續使用中會出現鏡像中沒有pandas模塊的提示，如果想要修改已有鏡像，按如下操作

# 進入容器
docker run -t -i tensorflow/tensorflow:nightly-py3-jupyter /bin/bash
# 安裝插件
pip install pandas
# 提交
docker commit -m "add pandas" -a "kmc" b72a667502e9 tensorflow/tensorflow:nightly-py3-jupyter

2、驗證

安裝完成後，進入如jupyter中，輸入如下代碼驗證，

>>> import tensorflow as tf
>>> tf.add(1, 2).numpy()
3
>>> hello = tf.constant('Hello, TensorFlow!')
>>> hello.numpy()
b'Hello, TensorFlow!'

二、算法學習路徑

在TF的官方文檔中提供了兩種入門方式，分別針對初學者或者有一定經驗的人。同時採用了MNIST數據集做手寫數字的識別。

1、初學者模式

對初學者而言，TF中已經封裝好了一些接口，直接通過API調用的方式快速定義並組裝模型，如下所示，

import tensorflow as tf
mnist = tf.keras.datasets.mnist

(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test, y_test)

2、進階模式

對有算法經驗的人來說，上面的模式只能讓用戶選擇一些內置的算法模型，以及定義模型的組裝關係，以及一些參數，損失函數的選擇等。如果在實際使用過程中，需要使用更加複雜的模型時，可以對比如下代碼，

class MyModel(tf.keras.Model):
  def __init__(self):
    super(MyModel, self).__init__()
    self.conv1 = Conv2D(32, 3, activation='relu')
    self.flatten = Flatten()
    self.d1 = Dense(128, activation='relu')
    self.d2 = Dense(10, activation='softmax')

  def call(self, x):
    x = self.conv1(x)
    x = self.flatten(x)
    x = self.d1(x)
    return self.d2(x)
model = MyModel()

with tf.GradientTape() as tape:
  logits = model(images)
  loss_value = loss(logits, labels)
grads = tape.gradient(loss_value, model.trainable_variables)
optimizer.apply_gradients(zip(grads, model.trainable_variables))

根據TF官方文檔中的手寫數字識別案例，運行第一個TF模型。

3、算法學習路徑

TF的官方文檔中有一個介紹如何學習機器學習的介紹。

（1）基礎課程

在這篇文檔中，推薦了《Deep Learning in Python》一書作爲入門，推薦了一個Coursera課程介紹
TensorFlow入門，
TensorFlow和深度學習。

（2）TensorFlow實戰

Coursera上有一個TF實戰的課程TensorFlow in Practice

（3）練習

用TF文檔中的案例繼續熟悉TensorFlow Core tutorials

（4）深入學習TF

接下來可以參考《 Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow》一書，深入學習其中的概念和案例。

有關機器學習更進一步的介紹文檔，Theoretical and advanced machine learning with TensorFlow

4、Keras

上面封裝的比較好，使用方便的模式，是TF基於Keras實現的。更多關於Keras的介紹，可以查看TensorFlow Keras Overview

三、Resources

TF的官方文檔中有一個分類是Libraries & extensions，上面介紹的機器學習入門路線，就是其中的一個模塊。

在這個模塊中還有值得關注的內容是，
Neural Structured Learning
theoretical-and-advanced-machine-learning
以及更多其他內容。

四、參考資料

1、官方文檔

官方文檔

主要有教程和指南兩個部分，

（1）教程

主要介紹一些TF使用方面的問題，從目錄結構可以看到，這部分主要涉及到基礎功能，

Keras操作
數據裝載
Estimator

進階功能

自定義
分佈式模型
圖像
文本
數據結構
前沿拓展，比如對抗，強化學習等

（2）指南

主要是一些API的介紹，相對教程部分更加偏向於後續學習過程中的API介紹查閱。

2、Github

項目官方的Github地址。

另外還有一些對應的練習項目，

TensorFlow Tutorial and Examples for Beginners

3、系統學習文檔

中文文檔
 TF2中文教程
 30天喫掉那隻 TensorFlow2.0

4、源碼解讀

圖解tensorflow 源碼

https://github.com/yao62995/tensorflow
https://www.cnblogs.com/yao62995/p/5773578.html

5、學習資源

https://www.tensorflow.org/resources/learn-ml#four-areas

發表評論

所有評論

還沒有人評論，想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.