Python中TensorFlow如何使用

这期内容当中小编将会给大家带来有关Python中TensorFlow如何使用，文章内容丰富且以专业的角度为大家分析和叙述，阅读完这篇文章希望大家可以有所收获。

成都创新互联成立以来不断整合自身及行业资源、不断突破观念以使企业策略得到完善和成熟，建立了一套“以技术为基点，以客户需求中心、市场为导向”的快速反应体系。对公司的主营项目，如中高端企业网站企划 / 设计、行业 / 企业门户设计推广、行业门户平台运营、APP应用开发、手机网站制作、微信网站制作、软件开发、达州主机托管等实行标准化操作，让客户可以直观的预知到从成都创新互联可以获得的服务效果。

TensorFlow 是如何运作的呢? 它的整个解决方案是基于张量进行的，张量是 TensorFlow 的原始单元。TensorFlow 使用一个张量数据结构来表示所有数据。在数学中，张量是描述其他几何对象之间的线性关系的几何对象。在 TesnsorFlow 中，它们是多维数组或数据，比如矩阵。其实它并不像这样简单， 但这就是我现在想说的深入线性代数的整个张量的概念。无论如何，我们可以把张量看作是 n 维阵列，对它使用矩阵运算是简单且有效的。例如，在下面的代码中，我们定义了两个常量张量，并将一个值添加到另一个上。

这就是整个张量概念在线性代数中，

我们都知道，常量的值是不变的。而 TensorFlow 拥有丰富的 API，它的文档也很齐全，我们可以使用它定义其他类型的数据，比如变量。

除了张量之外，TensorFlow 还使用数据流图。图中的节点表示数学运算，边表示在它们之间通信的张量。

安装和设置

TensorFlow 为各种程序语言提供了 API，比如 Python、C++、Java、Go、Haskell 和 R(以第三方库的形式)。此外，它支持不同类型的操作系统。在本文中，我们将在 Windows 10 上使用 Python，因此会提及这个平台上的安装过程。TensorFlow 只支持 Python 3.5 和 3.6，所以请确保你的系统中安装了其中的一个版本。对于其他的操作系统和语言，你可以查看官方的安装指南。我们需要了解的另一件事是系统的硬件配置。安装 TensorFlow 可以有两种选择：

• 只支持 CPU 的 TensorFlow 版本。

• 支持 GPU 的 TensorFlow 版本。

如果你的系统有一个 NVIDIA GPU，那么你可以安装支持 GPU 的 TensorFlow 版本。当然，GPU 版本更快，但是 CPU 版更容易安装和配置。

如果你使用 Anaconda 安装 TensorFlow，可以按照以下步骤完成:

通过运行命令来创建一个 conda 环境“tensorflow”。

conda create -n tensorflow pip python=3.5

通过命令激活创建的环境:

activate tensorflow

调用该命令来在你的环境中安装 TensorFlow。对于 CPU 版本运行这个命令:

pip install --ignore-installed --upgrade tensorflow

对于 GPU 版本运行命令:

pip install --ignore-installed --upgrade tensorflow-gpu

当然，你也可以使用“native pip”命令来安装 TensorFlow。对于 CPU 版本运行:

pip3 install --upgrade tensorflow

对于 GPU TensorFlow 版本运行命令:

pip3 install --upgrade tensorflow-gpu

现在我们已经安装了 TensorFlow。接下来开始解决我们要解决的问题。

Iris 数据集分类问题

Iris 数据集，以及 MNIST 数据集，可能是模式识别文献中***的数据集之一。这是机器学习分类问题的“Hello World”示例。它最早是在 1936 年由 Ronald Fisher 推出的。他是英国的统计学家和植物学家，他在论文《使用多重测量解决生物分类问题》中使用了这个例子，直到今天这篇论文也经常被引用。该数据集包含 3 个类别，每个类别有 50 个实例。每个类别都是一种类型的 Iris 植物：Iris setosa、Iris virginica 和 Iris versicolor。***类是线性可分的，但后两种不是线性可分的。每个记录都有五个属性:

• cm 表示的 Sepal 长度

• cm 表示的 Sepal 宽度

• cm 表示的 Petal 长度

• cm 表示的 Petal 宽度

类别 Class(Iris setosa, Iris virginica, Iris versicolor)

我们要创建神经网络的目标是根据其他属性来预测 Iris 的种类。这意味着它需要创建一个模型，描述属性值和类别之间的关系。

TensorFlow 工作流

大部分的 TensorFlow 代码遵循这个工作流程:

• 导入数据集

• 使用附加列扩展数据集，用以描述数据

• 选择模型的类型

• 开始训练

• 评估模型的准确性

• 使用模型预测结果

如果你关注我之前的博客文章，你可能会注意到开发任何人工神经网络都离不开训练和评估过程。这些过程通常是在两个数据集上完成的，一个用于训练，另一个用于测试训练网络的准确性。通常，我们得到一组数据，我们需要将它们分成两个独立的数据集，并使用其中一个进行培训，另一个用于测试。这一比率通常为 80% 到 20%。这次这些都已经为我们做好了。你可以从这里下载训练数据集，从这里下载测试数据集。或者你可以从这里下载完整的代码和数据。

 编码

在继续之前，我得首先说明一下，我使用 Spyder IDE 进行开发，因此我将使用这个环境来解释整个过程。

我们需要做的***件事是导入数据集并解析它。为此，我们需要使用另一个 Python 库 -Pandas。这是另一个开源库，为 Python 提供了易于使用的数据结构和数据分析工具。

正如你所看到的，首先我们使用 readcsv 函数将数据集导入到本地变量中，然后我们将输入 (train_x、test_x) 和预期输出 (train_y、test_y) 分离开来，创建四个独立的矩阵。以下是他们的样子:

我们准备好了用于训练和测试的数据。现在，我们需要定义特征列，这也是神经网络需要的。

我们现在需要选择我们将要使用的模型。在我们的问题中，我们试图根据属性数据来预测 Iris 的类型。所以我们要从 TensorFlow API 中选择一个评估器。评估器类的一个对象封装了构建 TensorFlow 图形并运行 TensorFlow 会话的逻辑。为此，我们将使用 DNN 分类器。我们将添加两个隐藏的层，每个层有十个神经元。

在那之后，我们将用我们从训练数据集中选取的数据来训练我们的神经网络。首先，我们将定义训练功能。该函数需要通过扩展和创建多个批次来提供来自训练集的数据。如果训练样本是随机的训练效果也会更好。这就是为什么调用 shuffle 函数的原因。总之， train_function 使用经过训练的数据集，随机地从数据中选取数据，并将数据反馈给 DNN 分类器的训练方法，从而创建大量的数据。

***，我们调用评估函数来评估我们的神经网络，并给出网络的回准度。

当我们运行这段代码后，将得到如下结果:

上述就是小编为大家分享的Python中TensorFlow如何使用了，如果刚好有类似的疑惑，不妨参照上述分析进行理解。如果想知道更多相关知识，欢迎关注创新互联行业资讯频道。