TensorFlow - 使用 Python 版本

TensorFlow 是一个由 Google 开发的开源框架，用于构建和训练大规模机器学习模型。它支持不同的语言，包括 Python，C++和Java。

下面是如何使用 Python 版本的 TensorFlow。

安装 TensorFlow

使用 pip 安装

在 Python 环境下安装 TensorFlow 最快最简单的方法是使用 pip，在终端中输入以下命令：

pip install tensorflow

使用 Anaconda 安装

如果你使用的是 Anaconda，你可以使用以下命令安装 TensorFlow：

conda install tensorflow

Hello, TensorFlow!

下面是一个使用 TensorFlow 打印 "Hello, TensorFlow!" 的示例。复制以下代码并将其保存为以 ".py" 为扩展名的文件：

import tensorflow as tf

# 创建一个常量 op
hello = tf.constant('Hello, TensorFlow!')

# 在一个会话中启动图
with tf.Session() as sess:
    # 运行图并打印输出
    print(sess.run(hello))

在终端中运行该文件：

python filename.py

你应该会看到以下输出：

b'Hello, TensorFlow!'

神经网络

TensorFlow 最强大的用途之一是构建神经网络。下面的示例将展示如何使用 TensorFlow 构建一个简单的卷积神经网络（CNN）。

import tensorflow as tf

# 导入 MNIST 数据
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# 创建占位符
x = tf.placeholder(tf.float32, [None, 784])
y_actual = tf.placeholder(tf.float32, shape=[None, 10])

# 定义网络模型
x_image = tf.reshape(x, [-1,28,28,1])
W_conv1 = tf.Variable(tf.truncated_normal([5, 5, 1, 32], stddev=0.1))
b_conv1 = tf.Variable(tf.constant(0.1, shape=[32]))
h_conv1 = tf.nn.relu(tf.nn.conv2d(x_image, W_conv1, strides=[1, 1, 1, 1], padding='SAME') + b_conv1)
h_pool1 = tf.nn.max_pool(h_conv1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
W_conv2 = tf.Variable(tf.truncated_normal([5, 5, 32, 64], stddev=0.1))
b_conv2 = tf.Variable(tf.constant(0.1, shape=[64]))
h_conv2 = tf.nn.relu(tf.nn.conv2d(h_pool1, W_conv2, strides=[1, 1, 1, 1], padding='SAME') + b_conv2)
h_pool2 = tf.nn.max_pool(h_conv2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
W_fc1 = tf.Variable(tf.truncated_normal([7 * 7 * 64, 1024], stddev=0.1))
b_fc1 = tf.Variable(tf.constant(0.1, shape=[1024]))
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
W_fc2 = tf.Variable(tf.truncated_normal([1024, 10], stddev=0.1))
b_fc2 = tf.Variable(tf.constant(0.1, shape=[10]))
y_predict = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)

# 定义损失函数和优化器
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_actual * tf.log(y_predict), reduction_indices=[1]))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)

sess = tf.InteractiveSession()
tf.global_variables_initializer().run()

# 训练模型
for i in range(20000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    if i % 100 == 0:
        train_accuracy = accuracy.eval(feed_dict={x: batch_xs, y_actual: batch_ys, keep_prob: 1.0})
        print("step %d, training accuracy %g"%(i, train_accuracy))
    train_step.run(feed_dict={x: batch_xs, y_actual: batch_ys, keep_prob: 0.5})

# 测试模型
print("test accuracy %g"%accuracy.eval(feed_dict={x: mnist.test.images, y_actual: mnist.test.labels, keep_prob: 1.0}))

运行以上代码将使用 MNIST 数据集训练一个简单的卷积神经网络，并计算测试准确率。