QQ登录
微信登录
忘记密码？
云服务器交流社区»技术社区 › 云产品交流 › 腾讯云服务器 › TensorFlow相关 API-云服务器玩法在线实验
发布主题

TensorFlow相关 API-云服务器玩法在线实验

[复制链接]
查看: 559|回复: 0
阿克塞拉·瑞德

34

主题

34

帖子

118

积分

注册会员

Rank: 2

积分
118
发表于 2020-12-28 09:45:10 | 显示全部楼层 |阅读模式
云服务器2核2G 5M 1个IP 90G硬盘 20G独享防御  37元/月，安全稳定、续费同价，点击了解>>>
实验内容TensorFlow是由Google开发的用于数值计算的开源软件库，实验介绍基本的 TensorFlow API，TensorFlow 是 Google 开源的深度学习框架，相关 API 本教程持续更新中。

首次可免费使用云主机 3 小时 ，到期后云主机将被重置并退库，若想保留成果请及时留用。


免费在线实验地址：点击进入

实验资源：云服务器，没有云服务器的朋友推荐1折抢购：69元/年的阿里云服务器、或者88元/年的腾讯云服务器
软件环境Ubuntu 16.04.1 LTS 64 位

1、TensorFlow 相关函数理解
tf.nn.conv2d

  1. conv2d(
  2.     input,
  3.     filter,
  4.     strides,
  5.     padding,
  6.     use_cudnn_on_gpu=True,
  7.     data_format='NHWC',
  8.     name=None
  9. )
复制代码
功能说明：参数列表：
参数名
必选
类型
说明
input是tensor是一个 4 维的 tensor，即 [ batch, in_height, in_width, in_channels ]（若 input 是图像，[ 训练时一个 batch 的图片数量, 图片高度, 图片宽度, 图像通道数 ]）
filter是tensor是一个 4 维的 tensor，即 [ filter_height, filter_width, in_channels, out_channels ]（若 input 是图像，[ 卷积核的高度，卷积核的宽度，图像通道数，卷积核个数 ]）,filter 的 in_channels 必须和 input 的 in_channels 相等
strides是列表长度为 4 的 list，卷积时候在 input 上每一维的步长，一般 strides[0] = strides[3] = 1
padding是string只能为 " VALID "，" SAME " 中之一，这个值决定了不同的卷积方式。VALID 丢弃方式；SAME：补全方式
use_cudnn_on_gpu否bool是否使用 cudnn 加速，默认为 true
data_format否string只能是 " NHWC ", " NCHW "，默认 " NHWC "
name否string运算名称


示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 conv2d.py，内容可参考：
示例代码：/home/ubuntu/conv2d.py
  1. import tensorflow as tf

  3. a = tf.constant([1,1,1,0,0,0,1,1,1,0,0,0,1,1,1,0,0,1,1,0,0,1,1,0,0],dtype=tf.float32,shape=[1,5,5,1])
  4. b = tf.constant([1,0,1,0,1,0,1,0,1],dtype=tf.float32,shape=[3,3,1,1])
  5. c = tf.nn.conv2d(a,b,strides=[1, 2, 2, 1],padding='VALID')
  6. d = tf.nn.conv2d(a,b,strides=[1, 2, 2, 1],padding='SAME')
  7. with tf.Session() as sess:
  8.     print ("c shape:")
  9.     print (c.shape)
  10.     print ("c value:")
  11.     print (sess.run(c))
  12.     print ("d shape:")
  13.     print (d.shape)
  14.     print ("d value:")
  15.     print (sess.run(d))
复制代码
然后执行:
  1. cd /home/ubuntu;
  2. python conv2d.py
复制代码
执行结果：
  1. c shape:
  2. (1, 3, 3, 1)
  3. c value:
  4. [[[[ 4.]
  5.    [ 3.]
  6.    [ 4.]]

  8.   [[ 2.]
  9.    [ 4.]
  10.    [ 3.]]

  12.   [[ 2.]
  13.    [ 3.]
  14.    [ 4.]]]]
  15. d shape:
  16. (1, 5, 5, 1)
  17. d value:
  18. [[[[ 2.]
  19.    [ 2.]
  20.    [ 3.]
  21.    [ 1.]
  22.    [ 1.]]

  24.   [[ 1.]
  25.    [ 4.]
  26.    [ 3.]
  27.    [ 4.]
  28.    [ 1.]]

  30.   [[ 1.]
  31.    [ 2.]
  32.    [ 4.]
  33.    [ 3.]
  34.    [ 3.]]

  36.   [[ 1.]
  37.    [ 2.]
  38.    [ 3.]
  39.    [ 4.]
  40.    [ 1.]]

  42.   [[ 0.]
  43.    [ 2.]
  44.    [ 2.]
  45.    [ 1.]
  46.    [ 1.]]]]
复制代码
tf.nn.relu
  1. relu(
  2.     features,
  3.     name=None
  4. )
复制代码
功能说明：参数列表：
参数名
必选
类型
说明
features是tensor是以下类型float32, float64, int32, int64, uint8, int16, int8, uint16, half
name否string运算名称
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 relu.py，内容可参考：
示例代码：/home/ubuntu/relu.py
  1. import tensorflow as tf

  3. a = tf.constant([1,-2,0,4,-5,6])
  4. b = tf.nn.relu(a)
  5. with tf.Session() as sess:
  6.     print (sess.run(b))
复制代码
然后执行：
  1. cd /home/ubuntu;
  2. python relu.py
复制代码
执行结果：
  1. [1 0 0 4 0 6]
复制代码
tf.nn.max_pool
  1. max_pool(
  2.     value,
  3.     ksize,
  4.     strides,
  5.     padding,
  6.     data_format='NHWC',
  7.     name=None
  8. )
复制代码
功能说明：参数列表：
参数名
必选
类型
说明
value是tensor4 维的张量，即 [ batch, height, width, channels ]，数据类型为 tf.float32
ksize是列表池化窗口的大小，长度为 4 的 list，一般是 [1, height, width, 1]，因为不在 batch 和 channels 上做池化，所以第一个和最后一个维度为 1
strides是列表池化窗口在每一个维度上的步长，一般 strides[0] = strides[3] = 1
padding是string只能为 " VALID "，" SAME " 中之一，这个值决定了不同的池化方式。VALID 丢弃方式；SAME：补全方式
data_format否string只能是 " NHWC ", " NCHW "，默认" NHWC "
name否string运算名称
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 max_pool.py，内容可参考：
示例代码：/home/ubuntu/max_pool.py
  1. import tensorflow as tf

  3. a = tf.constant([1,3,2,1,2,9,1,1,1,3,2,3,5,6,1,2],dtype=tf.float32,shape=[1,4,4,1])
  4. b = tf.nn.max_pool(a,ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1],padding='VALID')
  5. c = tf.nn.max_pool(a,ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1],padding='SAME')
  6. with tf.Session() as sess:
  7.     print ("b shape:")
  8.     print (b.shape)
  9.     print ("b value:")
  10.     print (sess.run(b))
  11.     print ("c shape:")
  12.     print (c.shape)
  13.     print ("c value:")
  14.     print (sess.run(c))
复制代码
然后执行：
  1. cd /home/ubuntu;
  2. python max_pool.py
复制代码
执行结果：
  1. b shape:
  2. (1, 2, 2, 1)
  3. b value:
  4. [[[[ 9.]
  5.    [ 2.]]

  7.   [[ 6.]
  8.    [ 3.]]]]
  9. c shape:
  10. (1, 2, 2, 1)
  11. c value:
  12. [[[[ 9.]
  13.    [ 2.]]

  15.   [[ 6.]
  16.    [ 3.]]]]
复制代码
tf.nn.dropout
  1. dropout(
  2.     x,
  3.     keep_prob,
  4.     noise_shape=None,
  5.     seed=None,
  6.     name=None
  7. )
复制代码
功能说明：参数列表：
参数名
必选
类型
说明
x是tensor输出元素是 x 中的元素以 keep_prob 概率除以 keep_prob，否则为 0
keep_prob是scalar Tensordropout 的概率，一般是占位符
noise_shape否tensor默认情况下，每个元素是否 dropout 是相互独立。如果指定 noise_shape，若 noise_shape == shape(x)，该维度的元素是否 dropout 是相互独立，若 noise_shape != shape(x) 该维度元素是否 dropout 不相互独立，要么一起 dropout 要么一起保留
seed否数值如果指定该值，每次 dropout 结果相同
name否string运算名称
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 dropout.py，内容可参考：
示例代码：/home/ubuntu/dropout.py
  1. import tensorflow as tf

  3. a = tf.constant([1,2,3,4,5,6],shape=[2,3],dtype=tf.float32)
  4. b = tf.placeholder(tf.float32)
  5. c = tf.nn.dropout(a,b,[2,1],1)
  6. with tf.Session() as sess:
  7.     sess.run(tf.global_variables_initializer())
  8.     print (sess.run(c,feed_dict={b:0.75}))
复制代码
然后执行：
  1. cd /home/ubuntu;
  2. python dropout.py
复制代码
执行结果：
  1. [[ 0.          0.          0.        ]
  2. [ 5.33333349  6.66666651  8.        ]]
复制代码
tf.nn.sigmoid_cross_entropy_with_logits
  1. sigmoid_cross_entropy_with_logits(
  2.     _sentinel=None,
  3.     labels=None,
  4.     logits=None,
  5.     name=None
  6. )
复制代码
功能说明：
先对 logits 通过 sigmoid 计算，再计算交叉熵，交叉熵代价函数可以参考 CS231n: Convolutional Neural Networks for Visual Recognition
参数列表：
参数名
必选
类型
说明
_sentinel否None没有使用的参数
labels否Tensortype, shape 与 logits相同
logits否Tensortype 是 float32 或者 float64
name否string运算名称
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 sigmoid_cross_entropy_with_logits.py：
示例代码：/home/ubuntu/sigmoid_cross_entropy_with_logits.py
  1. import tensorflow as tf
  2. x = tf.constant([1,2,3,4,5,6,7],dtype=tf.float64)
  3. y = tf.constant([1,1,1,0,0,1,0],dtype=tf.float64)
  4. loss = tf.nn.sigmoid_cross_entropy_with_logits(labels = y,logits = x)
  5. with tf.Session() as sess:
  6.     print (sess.run(loss))
复制代码
然后执行：
  1. cd /home/ubuntu;
  2. python sigmoid_cross_entropy_with_logits.py
复制代码
执行结果：
  1. [  3.13261688e-01   1.26928011e-01   4.85873516e-02   4.01814993e+00
  2.    5.00671535e+00   2.47568514e-03   7.00091147e+00]
复制代码
tf.truncated_normal
  1. truncated_normal(
  2.     shape,
  3.     mean=0.0,
  4.     stddev=1.0,
  5.     dtype=tf.float32,
  6.     seed=None,
  7.     name=None
  8. )
复制代码
功能说明：
产生截断正态分布随机数，取值范围为 [ mean - 2 * stddev, mean + 2 * stddev ]。
参数列表：
参数名
必选
类型
说明
shape是1 维整形张量或 array输出张量的维度
mean否0 维张量或数值均值
stddev否0 维张量或数值标准差
dtype否dtype输出类型
seed否数值随机种子，若 seed 赋值，每次产生相同随机数
name否string运算名称
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 truncated_normal.py：
示例代码：/home/ubuntu/truncated_normal.py
  1. import tensorflow as tf
  2. initial = tf.truncated_normal(shape=[3,3], mean=0, stddev=1)
  3. print(tf.Session().run(initial))
复制代码
然后执行:
  1. python /home/ubuntu/truncated_normal.py
复制代码
执行结果：
将得到一个取值范围 [ -2, 2 ] 的 3 * 3 矩阵，您也可以尝试修改源代码看看输出结果有什么变化？
tf.constant
  1. constant(
  2.     value,
  3.     dtype=None,
  4.     shape=None,
  5.     name='Const',
  6.     verify_shape=False
  7. )
复制代码
功能说明：
根据 value 的值生成一个 shape 维度的常量张量
参数列表：
参数名
必选
类型
说明
value是常量数值或者 list输出张量的值
dtype否dtype输出张量元素类型
shape否1 维整形张量或 array输出张量的维度
name否string张量名称
verify_shape否Boolean检测 shape 是否和 value 的 shape 一致，若为 Fasle，不一致时，会用最后一个元素将 shape 补全
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 constant.py，内容可参考：
示例代码：/home/ubuntu/constant.py
  1. #!/usr/bin/python

  3. import tensorflow as tf
  4. import numpy as np
  5. a = tf.constant([1,2,3,4,5,6],shape=[2,3])
  6. b = tf.constant(-1,shape=[3,2])
  7. c = tf.matmul(a,b)

  9. e = tf.constant(np.arange(1,13,dtype=np.int32),shape=[2,2,3])
  10. f = tf.constant(np.arange(13,25,dtype=np.int32),shape=[2,3,2])
  11. g = tf.matmul(e,f)
  12. with tf.Session() as sess:
  13.     print (sess.run(a))
  14.     print ("##################################")
  15.     print (sess.run(b))
  16.     print ("##################################")
  17.     print (sess.run(c))
  18.     print ("##################################")
  19.     print (sess.run(e))
  20.     print ("##################################")
  21.     print (sess.run(f))
  22.     print ("##################################")
  23.     print (sess.run(g))
复制代码
然后执行:
  1. python /home/ubuntu/constant.py
复制代码
执行结果：
  1. a: 2x3 维张量；
  2. b: 3x2 维张量；
  3. c: 2x2 维张量；
  4. e: 2x2x3 维张量；
  5. f: 2x3x2 维张量；
  6. g: 2x2x2 维张量。
复制代码
tf.placeholder
  1. placeholder(
  2.     dtype,
  3.     shape=None,
  4.     name=None
  5. )
复制代码
功能说明：
是一种占位符，在执行时候需要为其提供数据
参数列表：
参数名
必选
类型
说明
dtype是dtype占位符数据类型
shape否1 维整形张量或 array占位符维度
name否string占位符名称
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 placeholder.py，内容可参考：
示例代码：/home/ubuntu/placeholder.py
  1. #!/usr/bin/python

  3. import tensorflow as tf
  4. import numpy as np

  6. x = tf.placeholder(tf.float32,[None,3])
  7. y = tf.matmul(x,x)
  8. with tf.Session() as sess:
  9.     rand_array = np.random.rand(3,3)
  10.     print(sess.run(y,feed_dict={x:rand_array}))
复制代码
然后执行:
  1. python /home/ubuntu/placeholder.py
复制代码
执行结果：
  1. 输出一个 3x3 的张量
复制代码
tf.nn.bias_add
  1. bias_add(
  2.     value,
  3.     bias,
  4.     data_format=None,
  5.     name=None
  6. )
复制代码
功能说明：
将偏差项 bias 加到 value 上面，可以看做是 tf.add 的一个特例，其中 bias 必须是一维的，并且维度和 value 的最后一维相同，数据类型必须和 value 相同。
参数列表：
参数名
必选
类型
说明
value是张量数据类型为 float, double, int64, int32, uint8, int16, int8, complex64, or complex128
bias是1 维张量维度必须和 value 最后一维维度相等
data_format否string数据格式，支持 ' NHWC ' 和 ' NCHW '
name否string运算名称
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 bias_add.py，内容可参考：
示例代码：/home/ubuntu/bias_add.py
  1. #!/usr/bin/python

  3. import tensorflow as tf
  4. import numpy as np

  6. a = tf.constant([[1.0, 2.0],[1.0, 2.0],[1.0, 2.0]])
  7. b = tf.constant([2.0,1.0])
  8. c = tf.constant([1.0])
  9. sess = tf.Session()
  10. print (sess.run(tf.nn.bias_add(a, b)))
  11. #print (sess.run(tf.nn.bias_add(a,c))) error
  12. print ("##################################")
  13. print (sess.run(tf.add(a, b)))
  14. print ("##################################")
  15. print (sess.run(tf.add(a, c)))
复制代码
然后执行:
  1. python /home/ubuntu/bias_add.py
复制代码
执行结果：
3 个 3x2 维张量。您也可以尝试修改源代码看看输出结果有什么变化？
tf.reduce_mean
  1. reduce_mean(
  2.     input_tensor,
  3.     axis=None,
  4.     keep_dims=False,
  5.     name=None,
  6.     reduction_indices=None
  7. )
复制代码
功能说明：
计算张量 input_tensor 平均值
参数列表：
参数名
必选
类型
说明
input_tensor是张量输入待求平均值的张量
axis否None、0、1None：全局求平均值；0：求每一列平均值；1：求每一行平均值
keep_dims否Boolean保留原来的维度(例如不会从二维矩阵降为一维向量)
name否string运算名称
reduction_indices否None和 axis 等价，被弃用
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 reduce_mean.py，内容可参考：
示例代码：/home/ubuntu/reduce_mean.py
  1. #!/usr/bin/python

  3. import tensorflow as tf
  4. import numpy as np

  6. initial = [[1.,1.],[2.,2.]]
  7. x = tf.Variable(initial,dtype=tf.float32)
  8. init_op = tf.global_variables_initializer()
  9. with tf.Session() as sess:
  10.     sess.run(init_op)
  11.     print(sess.run(tf.reduce_mean(x)))
  12.     print(sess.run(tf.reduce_mean(x,0))) #Column
  13.     print(sess.run(tf.reduce_mean(x,1))) #row
复制代码
然后执行:
  1. python /home/ubuntu/reduce_mean.py
复制代码
执行结果：
  1. 1.5
  2. [ 1.5  1.5]
  3. [ 1.  2.]
复制代码
tf.squared_difference
  1. squared_difference(
  2.     x,
  3.     y,
  4.     name=None
  5. )
复制代码
功能说明：
计算张量 x、y 对应元素差平方
参数列表：
参数名
必选
类型
说明
x是张量是 half, float32, float64, int32, int64, complex64, complex128 其中一种类型
y是张量是 half, float32, float64, int32, int64, complex64, complex128 其中一种类型
name否string运算名称
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 squared_difference.py，内容可参考：
示例代码：/home/ubuntu/squared_difference.py
  1. #!/usr/bin/python

  3. import tensorflow as tf
  4. import numpy as np

  6. initial_x = [[1.,1.],[2.,2.]]
  7. x = tf.Variable(initial_x,dtype=tf.float32)
  8. initial_y = [[3.,3.],[4.,4.]]
  9. y = tf.Variable(initial_y,dtype=tf.float32)
  10. diff = tf.squared_difference(x,y)
  11. init_op = tf.global_variables_initializer()
  12. with tf.Session() as sess:
  13.     sess.run(init_op)
  14.     print(sess.run(diff))
复制代码
然后执行:
  1. python /home/ubuntu/squared_difference.py
复制代码
执行结果：
  1. [[ 4.  4.]
  2. [ 4.  4.]]
复制代码
tf.square
  1. square(
  2.     x,
  3.     name=None
  4. )
复制代码
功能说明：
计算张量对应元素平方
参数列表：
参数名
必选
类型
说明
x是张量是 half, float32, float64, int32, int64, complex64, complex128 其中一种类型
name否string运算名称
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 square.py，内容可参考：
示例代码：/home/ubuntu/square.py
  1. #!/usr/bin/python
  2. import tensorflow as tf
  3. import numpy as np

  5. initial_x = [[1.,1.],[2.,2.]]
  6. x = tf.Variable(initial_x,dtype=tf.float32)
  7. x2 = tf.square(x)
  8. init_op = tf.global_variables_initializer()
  9. with tf.Session() as sess:
  10.     sess.run(init_op)
  11.     print(sess.run(x2))
复制代码
然后执行:
  1. python /home/ubuntu/square.py
复制代码
执行结果：
  1. [[ 1.  1.]
  2. [ 4.  4.]]
复制代码


2、TensorFlow 相关类理解
tf.Variable
  1. __init__(
  2.     initial_value=None,
  3.     trainable=True,
  4.     collections=None,
  5.     validate_shape=True,
  6.     caching_device=None,
  7.     name=None,
  8.     variable_def=None,
  9.     dtype=None,
  10.     expected_shape=None,
  11.     import_scope=None
  12. )
复制代码
功能说明：
维护图在执行过程中的状态信息，例如神经网络权重值的变化。
参数列表：
参数名
类型
说明
initial_value张量Variable 类的初始值，这个变量必须指定 shape 信息，否则后面 validate_shape 需设为 False
trainableBoolean是否把变量添加到 collection GraphKeys.TRAINABLE_VARIABLES 中（collection 是一种全局存储，不受变量名生存空间影响，一处保存，到处可取）
collectionsGraph collections全局存储，默认是 GraphKeys.GLOBAL_VARIABLES
validate_shapeBoolean是否允许被未知维度的 initial_value 初始化
caching_devicestring指明哪个 device 用来缓存变量
namestring变量名
dtypedtype如果被设置，初始化的值就会按照这个类型初始化
expected_shapeTensorShape要是设置了，那么初始的值会是这种维度
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 Variable.py，内容可参考：
示例代码：/home/ubuntu/Variable.py
  1. #!/usr/bin/python

  3. import tensorflow as tf
  4. initial = tf.truncated_normal(shape=[10,10],mean=0,stddev=1)
  5. W=tf.Variable(initial)
  6. list = [[1.,1.],[2.,2.]]
  7. X = tf.Variable(list,dtype=tf.float32)
  8. init_op = tf.global_variables_initializer()
  9. with tf.Session() as sess:
  10.     sess.run(init_op)
  11.     print ("##################(1)################")
  12.     print (sess.run(W))
  13.     print ("##################(2)################")
  14.     print (sess.run(W[:2,:2]))
  15.     op = W[:2,:2].assign(22.*tf.ones((2,2)))
  16.     print ("###################(3)###############")
  17.     print (sess.run(op))
  18.     print ("###################(4)###############")
  19.     print (W.eval(sess)) #computes and returns the value of this variable
  20.     print ("####################(5)##############")
  21.     print (W.eval())  #Usage with the default session
  22.     print ("#####################(6)#############")
  23.     print (W.dtype)
  24.     print (sess.run(W.initial_value))
  25.     print (sess.run(W.op))
  26.     print (W.shape)
  27.     print ("###################(7)###############")
  28.     print (sess.run(X))
复制代码
然后执行：
  1. python /home/ubuntu/Variable.py
复制代码
3、完成实验


TensorFlow教程, 云服务器教程, 云服务器玩法

相关帖子

腾讯云
回复

使用道具 举报

返回列表
高级模式
B Color Image Link Quote Code Smilies
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

精彩图文



在线客服（工作时间:9:00-22:00）
400-600-6565

关于我们

文章导航

精品资源

内容导航

微信客服
Archiver|手机版|小黑屋|

Copyright   ©2015-2019  云服务器社区  Powered by©Discuz!  技术支持：尊托网络     ( 湘ICP备15009499号-1 )