TensorFlow的安装与使用

欢迎来到 Papicatch的博客

文章目录

🍉TensorFlow版本介绍

[🍈TensorFlow 0.x](#🍈TensorFlow 0.x)

[🍈TensorFlow 1.x](#🍈TensorFlow 1.x)

[🍈TensorFlow 2.x](#🍈TensorFlow 2.x)

🍉TensorFlow安装方法

🍈使用Anaconda安装

🍍Anaconda的下载及安装方法:

🍍创建虚拟环境并安装TensorFlow

安装特定版本

🍈使用pip安装

🍈使用pip安装GPU版本

🍈从源码安装

🍈验证

🍉TensorFlow的基本使用方法

🍈示例1:导入TensorFlow

[🍈示例2:在TensorFlow 2.x中切换为1.x版本运行](#🍈示例2:在TensorFlow 2.x中切换为1.x版本运行)

🍈示例3:TensorFlow常量

🍈示例4:TensorFlow变量

🍈示例5:TensorFlow数组转张量

🍈示例6:Tensor的基本运算操作


🍉TensorFlow版本介绍

TensorFlow是由Google Brain团队开发的开源机器学习框架,首次发布于2015年11月9日。

TensorFlow的主要版本如下

🍈TensorFlow 0.x

  • **发布时间:**2015年11月

🍈TensorFlow 1.x

  • 发布时间:2017年11月
  • 特点:使用静态计算图(Static Computation Graph),需要提前定义计算图,然后在会话(Session)中执行。

🍈TensorFlow 2.x

  • 发布时间:2019年9月
  • 特点:采用即时执行模式(Eager Execution),更加易用和灵活。兼容Keras API,使模型构建更加直观。

一般在选择TensorFlow版本的时候,首先会排除0.x版本。若已经选择TensorFlow 1.x进行过项目开发,考虑到项目的可复用性,可以在一段时间内继续使用 1.x版本。若是初学者建议直接使用TensorFlow 2.x。

🍉TensorFlow安装方法

🍈使用Anaconda安装

在整个安装过程的最开始,先安装Anaconda。Anaconda是一个流行的Python数据科学平台,用户可以通过Anaconda来安装TensorFlow。安装Anaconda之后可以不用一个一个地去下载这些库并解决他们之间的依赖关系,后续直接调用计科,十分方便。

🍍Anaconda的下载及安装方法:

首先,登录Anaconda官网: https://www.anaconda.com/

其次,点击页面右上角的Download按钮。如下图:

最后,选择与用户计算机操作系统对应的Anaconda版本,如下图:

安装好Anaconda后,在安装TensorFlow之前,建议先构建虚拟环境。不同项目对模块版本需求不同,构建虚拟环境可以给予更好的管理和更干净的环境。

开发环境使用python 3.6,开发工具使用Anaconda 3,操作系统使用Windows 10 。TensorFlow的学习与操作系统无关,不同的操作系统可以选择不同版本的版本。

🍍创建虚拟环境并安装TensorFlow

bash 复制代码
conda create -n tf tensorflow
conda activate tf
安装特定版本
bash 复制代码
conda install tensorflow==2.9.0

🍈使用pip安装

pip是Python包管理工具,可以通过pip安装TensorFlow。

安装最新稳定版本

bash 复制代码
pip install tensorflow

安装特定版本

bash 复制代码
pip install tensorflow==2.9.0

安装CPU版本

默认情况下,pip install tensorflow 会安装CPU版本。如果需要安装GPU版本,请参考下一个部分。

🍈使用pip安装GPU版本

对于需要利用GPU加速的用户,可以安装TensorFlow的GPU版本。在安装GPU版本之前,需要确保系统已经安装了CUDA和cuDNN。具体的版本要求可以参考TensorFlow官网。

安装GPU版本

bash 复制代码
pip install tensorflow-gpu

🍈从源码安装

对于高级用户或者需要自定义TensorFlow的用户,可以选择从源码进行安装。

克隆TensorFlow源码

bash 复制代码
git clone https://github.com/tensorflow/tensorflow.git
cd tensorflow

配置并编译源码

需要安装Bazel构建工具,然后运行以下命令:

bash 复制代码
./configure
bazel build //tensorflow/tools/pip_package:build_pip_package
./bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg

安装编译好的包

bash 复制代码
pip install /tmp/tensorflow_pkg/tensorflow-*.whl

🍈验证

通过以上几种方法,您可以根据自己的需求和系统环境选择最适合的方式来安装TensorFlow。安装完成后,可以通过以下命令验证是否安装成功:

bash 复制代码
python -c "import tensorflow as tf; print(tf.__version__)"

如果显示出安装的TensorFlow版本号,则表示安装成功。

🍉TensorFlow的基本使用方法

🍈示例1:导入TensorFlow

首先,我们需要导入TensorFlow库。下面是如何在Python中导入TensorFlow的代码示例:

python 复制代码
import tensorflow as tf
print(tf.__version__)

🍈示例2:在TensorFlow 2.x中切换为1.x版本运行

TensorFlow 2.x提供了一个兼容TensorFlow 1.x代码的方式,可以通过tf.compat.v1模块来实现。以下是切换到1.x版本模式的代码示例:

python 复制代码
import tensorflow as tf
tf.compat.v1.disable_v2_behavior()

# 使用1.x风格的代码
hello = tf.constant('Hello, TensorFlow 1.x!')
sess = tf.compat.v1.Session()
print(sess.run(hello))

🍈示例3:TensorFlow常量

在TensorFlow中,常量是不可变的张量。以下是如何创建一个常量的代码示例:

python 复制代码
import tensorflow as tf

# 创建一个常量
a = tf.constant(2)
b = tf.constant(3)

# 在计算图中运行
print('a:', a)
print('b:', b)

# 创建会话并运行计算图
tf.print('a:', a)
tf.print('b:', b)

🍈示例4:TensorFlow变量

变量在TensorFlow中是可变的张量,用于保存和更新参数。以下是如何创建和使用变量的代码示例:

python 复制代码
import tensorflow as tf

# 创建一个变量
a = tf.Variable(2)
b = tf.Variable(3)

# 变量初始化
init = tf.compat.v1.global_variables_initializer()

# 在计算图中运行
@tf.function
def compute():
    return a * b

# 创建会话并运行计算图
tf.print(compute())

# 更新变量
a.assign(5)
b.assign(4)
tf.print(compute())

🍈示例5:TensorFlow数组转张量

在TensorFlow中,可以将NumPy数组转换为张量。以下是如何进行转换的代码示例:

python 复制代码
import tensorflow as tf
import numpy as np

# 创建一个NumPy数组
np_array = np.array([1, 2, 3, 4, 5])

# 转换为TensorFlow张量
tensor = tf.convert_to_tensor(np_array)

# 输出张量
tf.print(tensor)

🍈示例6:Tensor的基本运算操作

TensorFlow提供了多种张量运算功能。以下是一些基本的张量运算示例:

python 复制代码
import tensorflow as tf

# 创建张量
a = tf.constant([[1, 2], [3, 4]])
b = tf.constant([[5, 6], [7, 8]])

# 加法
add = tf.add(a, b)
tf.print('加法:', add)

# 乘法
multiply = tf.multiply(a, b)
tf.print('乘法:', multiply)

# 矩阵乘法
matmul = tf.matmul(a, b)
tf.print('矩阵乘法:', matmul)

# 求和
sum_tensor = tf.reduce_sum(a)
tf.print('求和:', sum_tensor)

# 最大值
max_value = tf.reduce_max(a)
tf.print('最大值:', max_value)

通过这些示例,您可以了解TensorFlow的基本使用方法以及如何利用低级API进行各种操作。这些代码示例涵盖了从导入库、切换版本、创建常量和变量,到进行基本张量运算的各个方面。

相关推荐
九年义务漏网鲨鱼44 分钟前
【大模型学习 | MINIGPT-4原理】
人工智能·深度学习·学习·语言模型·多模态
元宇宙时间1 小时前
Playfun即将开启大型Web3线上活动,打造沉浸式GameFi体验生态
人工智能·去中心化·区块链
开发者工具分享1 小时前
文本音频违规识别工具排行榜(12选)
人工智能·音视频
产品经理独孤虾1 小时前
人工智能大模型如何助力电商产品经理打造高效的商品工业属性画像
人工智能·机器学习·ai·大模型·产品经理·商品画像·商品工业属性
老任与码2 小时前
Spring AI Alibaba(1)——基本使用
java·人工智能·后端·springaialibaba
蹦蹦跳跳真可爱5892 小时前
Python----OpenCV(图像増强——高通滤波(索贝尔算子、沙尔算子、拉普拉斯算子),图像浮雕与特效处理)
人工智能·python·opencv·计算机视觉
nananaij2 小时前
【Python进阶篇 面向对象程序设计(3) 继承】
开发语言·python·神经网络·pycharm
雷羿 LexChien2 小时前
从 Prompt 管理到人格稳定:探索 Cursor AI 编辑器如何赋能 Prompt 工程与人格风格设计(上)
人工智能·python·llm·编辑器·prompt
两棵雪松3 小时前
如何通过向量化技术比较两段文本是否相似?
人工智能
heart000_13 小时前
128K 长文本处理实战:腾讯混元 + 云函数 SCF 构建 PDF 摘要生成器
人工智能·自然语言处理·pdf