Python系列-人工智能篇:带你搞懂TensorFlow基础入门

狂师 2019-11-21

云栖社区 系统软件 移动开发与客户端 互联网产品及应用 python 深度学习 测试技术 算法 人工智能 数据流 Image CPU pip 神经网络

“阅读全文需8.5分钟,关注公众号:【测试开发技术】,后台回复me可免费领取学习资料。”

image

01 开篇

当今在互联网混,不随口说出深度学习,人工智能,机器学习,神经网络等词,人家都怀疑是个假的互联网人了,但相信大部分没有深入接触这块知识的人来说,对于这几个概念,都还是傻傻分不清?

image

记得,自从AlphaGo那波,业界似乎对机器学习推到一个新的高度??

本来是不太想沾这趟混水的,但是作为一名技术控,还是需要了解一下,至少也得对概念有点印象。
对于人工智能这块领域,笔者也还是一名小学生,如果对这块有不对的地方,请各位同学及时提出~

02 扫盲

深度学习,人工智能,机器学习,神经网络,这4个词在近几年出现的比较多,但是它们之间有什么关系呢?尤其,机器学习跟深度学习区别在哪里??

人工智能,英文Artificial Intelligence,简称AI,那人工智能的目的是什么?
网上一大堆,好听的叫解放/发展生产力,解放人类,总的来说是提高效率!!!

但更通俗的理解就是帮助人们:偷懒!

比如当你说一句话时,机器能够识别成文字,并理解你话的意思,进行分析和对话等。

人工智能的核心在于智能两字,那智能怎么来的?主要归功于一种实现人工智能的方法--机器学习;

那目前人工智能的应用场景有哪些:OCR、语音技术(比如Siri)、大数据应用等。

机器学习:一种实现人工智能的方法!

机器学习最基本的做法,是使用算法来解析数据、从中学习,然后对事件做出决策和预测。
需要用大量的数据来“训练”,通过各种算法从数据中学习如何完成任务。

举个例子,当浏览网上商城时,经常会出现商品推荐的信息。
这是商城根据往期的购物记录和冗长的收藏清单,识别出这其中哪些是真正感兴趣,并且愿意购买的产品。
这样的决策模型,可以帮助商城为客户提供建议并鼓励产品消费。

机器学习通常分为三类:

  • 第一类是无监督学习,指的是从信息出发自动寻找规律,并将其分成各种类别,有时也称"聚类问题"。
  • 第二类是监督学习,监督学习指的是给历史一个标签,运用模型预测结果。如有一个水果,我们根据水果的形状和颜色去判断到底是香蕉还是苹果,这就是一个监督学习的例子。
  • 最后一类为强化学习,是指可以用来支持人们去做决策和规划的一个学习方式,它是对人的一些动作、行为产生奖励的回馈机制,通过这个回馈机制促进学习,这与人类的学习相似,所以强化学习是目前研究的重要方向之一。

深度学习:一种实现机器学习的技术
深度学习是机器学习的一个子领域,是利用深度的神经网络,将模型处理得更为复杂,从而使模型对数据的理解更加深入;

深度学习的核心是,我们现在有足够快的计算机和足够的数据来实际训练大型神经网络

三者的区别和联系:
机器学习是一种实现人工智能的方法,深度学习是一种实现机器学习的技术。

神经网络:是一种机器学习的算法
以“停止(Stop)标志牌”为例,将一个停止标志牌图像的所有元素都打碎,然后用神经元进行“检查”:八边形的外形、消防车般的红颜色、鲜明突出的字母、交通标志的典型尺寸和静止不动运动特性等等。神经网络的任务就是给出结论,它到底是不是一个停止标志牌。神经网络会根据所有权重,给出一个经过深思熟虑的猜测——“概率向量”。

神经网络是需要调制、训练的,不然会很容易出错的。

OK,讲到这里,相信大家对几者之间的概念已经有所了解了,至少知道这些是什么东西了。

简单总结下:
机器学习是一种实现人工智能的方法,深度学习是一种实现机器学习的技术,神经网络是一种实现机器学习的算法!

03 TensorFlow简介

TensorFlow是Google在2015年11月份开源的人工智能系统,由Google Brain团队的研发人员负责,该系统可以被用于实现机器学习和深度学习、语音识别、图片识别等多个领域。

官网对TensorFlow的介绍是一个使用数据流图技术来进行数值计算的开源软件库。

  • 数据流图中的节点,代表数值运算;
  • 节点节点之间的边,代表多维数据(tensors)之间的某种联系。
  • 可以在多种设备(含有CPU或GPU)上通过简单的API调用来使用该系统的功能。

官网地址:https://github.com/tensorflow/tensorflow

什么是数据流图?
数据流图是描述有向图中的数值计算过程。有向图中的节点通常代表数学运算,但也可以表示数据的输入、输出和读写等操作;有向图中的边表示节点之间的某种联系,它负责传输多维数据(Tensors)。

节点可以被分配到多个计算设备上,可以异步和并行地执行操作。因为是有向图,所以只有等到之前的入度节点们的计算状态完成后,当前节点才能执行操作。

TensorFlow的特性

  • 灵活性,TensorFlow不是一个严格的神经网络工具包,只要你可以使用数据流图来描述你的计算过程,你可以使用TensorFlow做任何事情。你还可以方便地根据需要来构建数据流图,用简单的Python语言来实现高层次的功能。
  • 可移植性,TensorFlow可以在任意具备CPU或者GPU的设备上运行,你可以专注于实现你的想法,而不用去考虑硬件环境问题,你甚至可以利用Docker技术来实现相关的云服务。
  • 提高开发效率,TensorFlow可以提升你所研究的东西产品化的效率,并且可以方便与同行们共享代码- 支持语言选项,目前TensorFlow支持Python和C++语言。
  • 充分利用硬件资源,最大化计算性能。

TensorFlow最新版本为2.0,在TensorFlow2.x中摈弃了TensorFlow 1.x的诸多弊病,进一步整合TensorFlow和Keras,号称能像Numpy一样畅爽运行,快速、可扩展、可投入生产。
image

目前,TensorFlow包含开源的创新和社区参与,同时也具有大公司的支持,指导和稳定性。

正是因为有着大量的优势,TensorFlow适合个人和企业,从初创公司到大型公司,以及Google。即从2015年11月开源以来,TensorFlow已经成为最为令人兴奋的机器学习库之一。它被越来越多地应用到研究,生产和教育中。

04 TensorFlow安装

如果你已经安装了Python(或者是为了学习TensorFlow的目的安装的),你可以通过下面的pip安装:

pip install tensorflow

但是,这个方法的坏处在于,TensorFlow会覆盖现有的包,并安装特定的版本来满足依赖性。

如果你要使用这个Python来做其他用途的话,这个方法是不可行的。一个常见的做法就是在虚拟环境中安装TensorFlow,通过一个叫做virtualenv的软件实现。这取决于你的环境,你可能不需要在你的机器上安装virtualenv。要安装virtualenv的话,输入:

pip install virtualenv

可查看http://virtualenv.pypa.io 获取更多的操作指南。

为了在虚拟环境中安装TensorFlow,你必须要先创建虚拟环境,例如将其放在~/envs目录中,可以随意放在你喜欢的任何地方。

cd ~mkdir envsvirtualenv ~/envs/tensorflow

这会在~/envs目录下创建一个名为TensorFlow的虚拟环境(会展现为~/envs/tensorflow目录的形式)。启动这个虚拟环境,使用:

source ~/envs/tensorflow/bin/activate

提示会发现变化表明环境已经启动了,再使用输入pip的安装命令:

(tensorflow) pip install tensorflow

上面是CPU的版本,或者是安装GPU的版本:

pip install tensorflow-gpu

更多详细的安装介绍可参考:

https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/get_started/os_setup.md

05 TensorFlow第一个示例

现在,我们已经安装并设置好了TensorFlow的环境。开始写一个简单的TensorFlow的程序吧,打印当前TensorFlow版本、计算1+2的值,并将“Hello”和“World”结合起来,显示出字段——“HelloWorld”。

import os
import tensorflow as tf

os.environ["TF_CPP_MIN_LOG_LEVEL"]='2'
print(tf.__version__)
print(tf.add(1, 2).numpy())
hello = tf.constant('Hello, TensorFlow!')
print(hello.numpy())

如果在运行过程中,提示:
image

这是因为tensorflow默认分布是在没有CPU扩展的情况下构建的,例如SSE4.1,SSE4.2,AVX,AVX2,FMA等。默认构建(来自pip3 install tensorflow)可以与尽可能多的CPU兼容。如果没有GPU,并希望尽可能利用CPU的资源。

可以在最顶行增加如下代码

import os  
# os.environ["TF_CPP_MIN_LOG_LEVEL"]='1' # 这是默认的显示等级,显示所有信息  
os.environ["TF_CPP_MIN_LOG_LEVEL"]='2' # 只显示 warning 和 Error   
# os.environ["TF_CPP_MIN_LOG_LEVEL"]='3' # 只显示 Error

最后,关注公众号「测试开发技术」后台回复me, 可扫码添加作者微信,免费领取学习资料。

更详细,可点击:阅读原文

image

登录 后评论
下一篇
云栖号资讯小编
391人浏览
2020-03-31
相关推荐
深度学习必备手册(上)
37390人浏览
2017-10-04 23:31:42
2018年最佳深度学习书单
14424人浏览
2018-03-08 12:14:10
0
1
0
4361