机器学习入门(5)——Tensorflow环境配置及常用函数

本文基于北京大学软件与微电子学院曹健老师的Tensorflow笔记整理 ——b站视频教程

环境配置

环境：Tensorflow 2.60版本 ; Python3.8版本

参考CSDN博客：anaconda+tensorflow2.6.0详细一步一步安装

创建虚拟环境

conda create -n tf2.6.0 python==3.8.0

激活虚拟环境，以便安装库等：

conda activate tf2.6.0

正式安装

conda install tensorflow-gpu=2.6.0

如果觉得下载慢，就可以添加清华镜像源（不建议。下载速度快就尽量搞镜像源，后期会有问题）

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

conda config --set show_channel_urls yes

附加：Ancaonda常用命令总结

查看以创建的虚拟环境： conda info --envs / conda env list
激活创建的环境：conda activate xxx(虚拟环境名称)
退出激活的环境：conda deactivate
删除一个已有虚拟环境：conda remove --name(已创建虚拟环境名称) tensorflow --all
创建一个新的虚拟环境：conda create --name tensorflow python=3.7.3
查看安装的包：conda list/pip list
可以通过克隆的方式更改创建虚拟环境的名称：conda create --name 新名字 --clone 已创建虚拟环境名称
安装包：pip install scipy -i https://pypi.douban.com/simple 或者 conda install scipy -i https://pypi.douban.com/simple
卸载包：pip uninstall xxxx；conda uninstall xxxx
检查conda版本：conda --version
安装tensorflow的脚本：pip install tensorflow-cpu2.3.0 -i https://pypi.douban.com/simple/
更新升级工具包：conda upgrade --all
升级pip：python -m pip install --upgrade pip
使用镜像源网站安装需要的库：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ tensorflow2.0.0 安装其他库则只需将后面的库替换掉即可
常用镜像网站：

阿里云 http://mirrors.aliyun.com/pypi/simple/

中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/

清华大学 https://pypi.tuna.tsinghua.edu.cn/simple/

中国科学技术大学 http://pypi.mirrors.ustc.edu.cn/simple/

豆瓣(douban) http://pypi.douban.com/simple/

张量与常见函数

张量简介

TensorFlow 中的 Tensor 表示张量，是多维数组、多维列表，用阶表示张量的维数。

0 阶张量叫做标量，表示的是一个单独的数，如 123；

1 阶张量叫作向量，表示的是一个一维数组如[1,2,3]；

2 阶张量叫作矩阵，表示的是一个二维数组，它可以有 i 行 j 列个元素，每个元素用它的行号和列号共同索引到，如在[[1,2,3],[4,5,6],[7,8,9]]中，2 的索引即为第 0 行第 1 列。

张量的阶数与方括号的数量相同，0 个方括号即为 0 阶张量，1 个方括号即为 1 阶张量。故张量可以表示0 阶到 n 阶的数组。也可通过 reshape 的方式得到更高维度数组。

创建张量

创建张量有若干种不同的方法：

(1) 利用 tf.constant(张量内容，dtype=数据类型(可选))，第一个参数表示张量内容，二个参数表示张量的数据类型。

举例如下：

import tensorflow as tf a=tf.constant([1,5],dtype=tf.int64)
print(a)
print(a.dtype)
print(a.shape)

输出结果为：<tf.Tensor([1,5], shape=(2 , ) , dtype=int64)> <dtype: 'int64'> (2,)

(2) 我们很多时候数据是由 numpy 格式给出的，此时可以通过如下函数将 numpy 格式化为 Tensor 格式：tf. convert_to_tensor(数据名，dtype=数据类型(可选))。

举例如下：

import tensorflow as tf
import numpy as np
a = np.arange(0, 5)
b = tf.convert_to_tensor( a, dtype=tf.int64 )
print(a)
print(b)

输出结果为：[0 1 2 3 4] tf.Tensor([0 1 2 3 4], shape=( 5 , ), dtype=int64)

可见，将 numpy 格式的 a 转换成了 Tensor 格式的 b。

(3) 可采用不同函数创建不同值的张量。如用 tf. zeros(维度)创建全为 0 的张量，tf.ones(维度)创建全为 1 的张量，tf. fill(维度，指定值)创建全为指定值的张量。其中维度参数部分，如一维则直接写个数，二维用[行，列]表示，多维用[n,m,j..]表示。

举例如下：

a = tf.zeros([2, 3])
b = tf.ones(4)
c = tf.fill([2, 2], 9)
print(a)
print(b)
print(c)

输出结果：tf.Tensor([[0. 0. 0.] [0. 0. 0.]], shape=(2, 3), dtype=float32)

tf.Tensor([1. 1. 1. 1.], shape=(4, ), dtype=float32)

tf.Tensor([[9 9] [9 9]], shape=(2, 2), dtype=int32)

(4) 可采用不同函数创建符合不同分布的张量。

如用 tf. random.normal (维度，mean=均值，stddev=标准差)生成正态分布的随机数，默认均值为 0，标准差为 1。

用 tf. random.truncated_normal (维度，mean=均值，stddev=标准差)生成截断式正态分布的随机数，能使生成的这些随机数更集中一些，保证了生成值在均值附近；

利用 tf.random. uniform(维度，minval=最小值，maxval=最大值)，生成指定维度的均匀分布随机数，用 minval 给定随机数的最小值，用 maxval 给定随机数的最大值，最小、最大值是前闭后开区间。

举例如下：

d = tf.random.normal ([2, 2], mean=0.5, stddev=1)
print(d)
e = tf.random.truncated_normal ([2, 2], mean=0.5, stddev=1)
print(e)
f = tf.random.uniform([2, 2], minval=0, maxval=1)
print(f)

输出结果：tf.Tensor([[0.7925745 0.643315 ] [1.4752257 0.2533372]], shape=(2, 2), dtype=float32)

tf.Tensor([[ 1.3688478 1.0125661 ] [ 0.17475659 -0.02224463]], shape=(2, 2), dtype=float32)

tf.Tensor([[0.28219545 0.15581512] [0.77972126 0.47817433]], shape=(2, 2), dtype=float32)