从零开始学TensorFlow
前言
只有光头才能变强。
文本已收录至我的GitHub仓库，欢迎Star：https://github.com/ZhongFuCheng3y/3y
最近在学习TensorFlow的相关知识，了解了TensorFlow一些基础的知识，现在周末有空了，就写写一些笔记，记录一下自己的成长~
总的来说，TensorFlow还是一个比较新的技术，有兴趣的同学不妨跟着我的笔记，一起学学呗(反正没坏处)~
前面回顾：
知识背景：没有Python基础，没有机器学习基础，可以说是真正从零学TensorFlow的了。
一、安装Tensorflow所需要的环境
1.1安装Python环境
使用环境：Mac
Python有好多个版本，在Mac中自带的Python版本是2.7，但相对而言比较老了。现在一般用Python3.x了，本次下载的版本是3.5.6
我安装Python所使用方法的大致步骤：
- 安装Homebrew
- 安装pyenv
- 在
.bash_profile添加环境变量 - 让环境变量生效
- 安装
3.X版本python
详情可参考如下的链接(总的来说，我根据下面的教程一下子就安装了我想要的Python版本，还是非常不错的。)：
- Mac下安装多版本python：
- pyenv相关的命令(常用的pyenv命令):
在安装Python的时候也发现了一个小知识点：
- Mac一般使用bash作为默认的shell，会有好几个环境变量，其中
etc/profile是系统级的，还有几个用户级别的环境变量，比如说：~/.bash_profile - 如果修改的是系统级别的环境变量，也就是
etc/profile，在保存的时候只能是:wq!覆盖，不然会出现readonly错误
(至于TensorFlow和numpy依赖的下载，这里我就不说了，就两条命令就搞掂啦)
1.2PyCharm编辑器
Java有IDEA神器，同样的，Python也有PyCharm，同样是JetBrains出产的。
我在之前从来没使用过PyCharm，也没写过一句的Python代码。
把Pycharm安装好了之后，我想当然就new project去用了，然后就next,next,next，当成IDEA来用。但发现了一个问题：我在之前明明装好了TensorFlow和numpy的依赖，在PyCharm环境下却识别不出来！在命令行窗口下，依赖是存在的！
后来才发现：如果用PyCharm去new一个project，会默认建一个解析器在当前的项目目录下。而PyCharm会遵守“就近原则”使用当前项目路径下的解析器。而我们添加的依赖(TensorFlow、numpy)是在我们安装Python的路径下的，这就导致了在命令行下找到依赖，而在PyCharm中找不到依赖。
解决也很简单：在PyCharm指定一下我们安装Python的路径，切换一下就好了。
参考资料：
- 关于pip安装第三方库，但pycharm中却无法识别的问题；以及pycharm安装第三方库的方法解析
二、体验TensorFlow
好的，我们现在已经安装好TensorFlow所需要的环境了！(看起来好简单，但还是花了我不少时间....)
官网的Demo链接(需要科学上网)：
首先我们来看一下这个例子可以干些什么：我们有非常多张的图片(数据集)，这些图片有不同的类型(比如衣服、鞋子、裤子，一共有10种类型)，把这些数据集扔进我们的神经网络里头，生成出模型。有了模型以后，当我们再将类似的图片扔进去，这个模型可以帮我们预测这张图片是衣服还是鞋子还是裤子。
随后，我跟着官网的代码跑了一(代码我都只是一步一步复制粘贴)，最后跑起来：
# TensorFlow and tf.keras
import tensorflow as tf
from tensorflow import keras
# Helper libraries
import numpy as np
print(tf.__version__)
# 加载数据、区分出测试数据和训练数据
# 注意：如果已经下过，重复下载的话，可能会出现EOFError: Compressed file ended before the end-of-stream marker was reached错误
fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
# 分类的列表
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
# 查看数据的值
print(train_images.shape) # 样本的shape(可以看出有多少条样本、维度)
print(len(train_labels)) # label的个数，有多少个样本，就应该有多少个label
print(train_labels) # label的值，对应上面分类列表(从0到9)
# 对测试数据和训练数据进行预处理(实际上就是归一化)
train_images = train_images / 255.0
test_images = test_images / 255.0
# 设置层 (初始处理)--- 建立神经层
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(128, activation=tf.nn.relu),
keras.layers.Dense(10, activation=tf.nn.softmax)
])
# 损失函数、优化器、指标
model.compile(optimizer=tf.train.AdamOptimizer(),
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# 将训练集丢进去，训练出模型(Model)
model.fit(train_images, train_labels, epochs=5)
# 将测试数据丢到模型中，评估一下得分(准确率)
test_loss, test_acc = model.evaluate(test_images, test_labels)
print('Test accuracy:', test_acc)
# 评估完准确率以后，我们可以对测试数据进行预测
predictions = model.predict(test_images)
# 选第一个样本预测后的得出最有可能结果
print(np.argmax(predictions[0]))
# 对比结果
print(test_labels[0])跑出来的结果：
(后期注释：这是TensorFlow的版本)
1.12.0
(后期注释：这是TensorFlow下载数据集的日志)
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-labels-idx1-ubyte.gz
32768/29515 [=================================] - 0s 3us/step
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-images-idx3-ubyte.gz
26427392/26421880 [==============================] - 12s 0us/step
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-labels-idx1-ubyte.gz
8192/5148 [===============================================] - 0s 0us/step
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-images-idx3-ubyte.gz
4423680/4422102 [==============================] - 2s 0us/step(后期注释：样本的shape)
(60000, 28, 28)
(后期注释：样本有多少条，对应的label就有多少条)
60000
(后期注释：label的值是从0-9，表示有九种类别)
[9 0 0 ... 3 0 5]
(后期注释：开始训练)
Epoch 1/5
2019-02-19 14:00:46.842852: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA
60000/60000 [==============================] - 4s 65us/step - loss: 0.4995 - acc: 0.8246
Epoch 2/5
60000/60000 [==============================] - 4s 62us/step - loss: 0.3734 - acc: 0.8655
Epoch 3/5
60000/60000 [==============================] - 4s 63us/step - loss: 0.3346 - acc: 0.8788
Epoch 4/5
60000/60000 [==============================] - 4s 63us/step - loss: 0.3102 - acc: 0.8861
Epoch 5/5
60000/60000 [==============================] - 4s 63us/step - loss: 0.2918 - acc: 0.8916
10000/10000 [==============================] - 0s 36us/step(后期注释：预测出来的精确度)
Test accuracy: 0.8514
(后期注释：选第一个样本进行预测，并对比实际的结果)
9
9参考资料：
- TensorFlow官网的例子(需要科学上网才能进..)
- Tensorflow学习笔记之一：训练你的第一个神经网络——基础分类
2.1总结一下使用TensorFlow的步骤
- 加载数据：使用dataset的api加载数据，并将数据集分成训练数据和测试数据
- 检查数据：检查dataSet的数据有没有问题(例如，样本的记录数、label的记录数等)
- 对数据预处理：对测试数据和训练数据进行归一化处理，目的：减少因为数值的大小所带来的影响(一般我们会将值都缩小在一个小的范围内)
- 建立神经网络：(输入层、隐藏层、输出层)
- 为模型定义损失函数、优化器、指标
- 将训练数据丢进我们的神经网络中，生成出Model
- 将测试数据丢进我们生成好的Model进行评估，预测出我们的准确率
三、TensorFlow介绍
3.1什么是TensorFlow
如果去Google搜关键字“TensorFlow”，那可能你会看到这么一句话：
An open source machine learning framework for everyone.
没错，TensorFlow就是一个机器学习的框架。至于框架，相信大家也比较好理解了；类比到Java，比如说我们的Spring框架给我们封装了好多好用的API，简化我们的开发(想想当年写Servlet的时候！)
TensorFlow作为机器学习的框架，同样也给我们封装了好多好用的API，能够降低学习机器学习的门槛。
- 就拿上面的例子来说，没想到那么少的代码就可以跑机器学习的“HelloWorld”了！
至于机器学习和神经网络的相关基础，我强烈建议读读这两篇文章！通俗易懂的科普文章：
3.2TensorFlow的架构
我们可以发现上面的Demo所用的基础语言是Python，但不要认为TensorFlow就是Python的一个框架。我看到过一个比喻，觉得写得挺好的，粘贴一下：
Python 和 Tensorflow 之间的联系，可以类比 Javascript 和 HTML 之间的关系。Javascript 是一种全功能的编程语言，可以实现各种出色的效果。HTML 是用于表示某种类型的实用计算抽象（这里指的是可由 Web 浏览器呈现的内容）的框架。Javascript 在交互式网页中的作用是组装浏览器看到的 HTML 对象，然后在需要时通过将其更新为新的 HTML 来与其交互。
下面再来看看TensorFlow的架构图(Python只是对TensorFlow进行了封装)
TensorFlow的引擎也是分了很多模块的(这里我们简单了解一下)：
最后
总结一下这篇文章：
- 安装TensorFlow必要的环境
- 跟着官方文档，体验一下TensorFlow(机器学习)的“HelloWorld”
- 根据给出的例子，猜出使用TensorFlow(机器学习)时需要做哪些步骤
- TensorFlow就是一个机器学习(深度学习)的框架，提供了很多实用的API方便我们去玩机器学习(深度学习)。
相信看到这里，很多人都跟我之前一样，一脸懵逼。对官方给出的例子中的API不熟悉，去查阅相关资料的时候又发现有好多机器学习相关的术语，对这些术语又不了解。然后就循环懵逼..
while(true){
// 循环懵逼..
}
其实回想刚学Java的时候，也是这么一个过程，当你从屏幕看到“HelloWorld”了以后，大概率来说也是不了解相关的API具体做了什么事(甚至连API都不知道是啥意思)。但花一段时间去学习了以后，就会发现，原来HelloWorld是真的简单！
public static void main(String[] args) {
System.out.println("Hello World");
}
后续我会继续更新我学习TensorFlow时的一些笔记，有兴趣的小伙伴不妨跟着我一起学习~
另外，从文章的开头我也已经说了，我对Python、机器学习都是没有相关基础的，如果有写错的地方不妨在评论区留言指正。
