阅读时间： 4 分钟

什么是TensorFlow？

TensorFlow是一个开源的端到端机器学习库。它用于预处理数据，对数据进行建模，并为模型提供服务（让它们进入其他人的手中）。

它有一个全面、灵活的工具、库和社区资源的生态系统，让研究人员推动ML的最先进水平。开发人员可以轻松地建立和部署由ML驱动的应用程序。

安装TensorFlow

TensorFlow在以下64位系统上被测试和支持。

Python 3.6-3.9
Ubuntu 16.04或更高版本
Windows 7或更高版本（带C++再分配）。
macOS 10.12.6（Sierra）或更高版本（不支持GPU）

下载一个软件包

用Python的pip软件包管理器安装TensorFlow。

注意：TensorFlow 2软件包要求pip 版本>19.0（或>20.3 for macOS）。

# Requires the latest pip pip install --upgrade pip

Current stable release for CPU and GPU

pip install tensorflow

Or try the preview build (unstable)

pip install tf-nightly

运行一个TensorFlow容器

TensorFlow的Docker镜像已经被配置为运行TensorFlow。而且，Docker容器在虚拟环境中运行，是设置GPU支持的最简单方法。

docker pull tensorflow/tensorflow:latest # Download latest stable image
docker run -it -p 8888:8888 tensorflow/tensorflow:latest-jupyter # Start Jupyter server

谷歌Colab。学习和使用TensorFlow的简单方法

无需安装--通过Colaboratory在浏览器中直接运行TensorFlow教程。这是一个谷歌研究项目，旨在帮助传播机器学习教育和研究。它是一个Jupyter笔记本环境，使用时不需要设置，完全在云端运行。阅读博文。

Tensors简介

如果你曾经使用过NumPy，那么张量就有点像NumPy数组。

张量和NumPy数组的主要区别是，张量可以在GPU和TPU（张量处理单元）上使用。

能够在GPU和TPU上运行的好处是计算速度更快。因此，如果我们想在数据的数字表示中找到模式，一般来说，我们可以使用GPU和TPU更快地找到它们。

好了，我们已经谈了足够多的张量，让我们看看它们。

我们要做的第一件事是用通用别名tf导入TensorFlow。

# Import TensorFlow
import tensorflow as tf
print(tf.__version__) # find the version number (should be 2.x+)

创建张量

正如大多数程序都是从声明变量开始的。同样地，tensorFlow应用程序也是通过创建张量开始的。

一个张量是一个具有零维或多维的数组。一个零维的张量被称为标量。一个一维的张量被称为一个矢量。而二维张量被称为矩阵。

tf包提供了七个函数来形成已知值的张量。下表列出了这些函数并提供了每个函数的描述。

用已知的值创建张量

函数	说明
constant(value, dtype=None, shape = None, name = 'Const', verify_shape=False)	返回一个包含给定值的张量
zeros(shape, dtype=tf.float32, name = None)	返回一个充满零的张量
ones(shape, dtype=tf.float32, name=None)	返回一个充满1的张量
fill(dims, value, name=None)	返回一个充满给定值的张量
linspace(start, stop, num, name=None)	返回一个包含线性范围值的张量
range(start, limit, delta=1, dtype=None, name='range')	返回一个包含数值范围的张量
range(limit, delta=1, dtype=None, name='范围')	返回一个包含数值范围的张量

一个张量可以有多个维度，张量中的维度数就是它的等级。张量的维数的长度形成一个数组，称为张量的形状。表中的许多函数都接受一个形状参数，该参数确定了新张量的理想形状。下面的例子演示了如何设置这个参数。

[] - 张量包含一个单一的值。
[3] - 张量是一个包含三个值的一维数组。
[3, 4] - 张量是一个3-x-4的矩阵。
[3, 4, 5] - 张量是一个多维数组，其尺寸等于3、4和5。

张量数据类型

数据类型	描述
`bool`	布尔值
`uint8/uint16`	无符号整数
`quint8/quint16`	量化的无符号整数
`int8/int16/int32/int64`	有符号的整数
`qint8/qint32`	量化的有符号整数
`float16/float32/float64`	浮点值
`complex64/complex128`	复合浮点值
`string`	字符串

上表中的每个函数都接受一个可选的名称参数，作为张量的标识符。应用程序可以通过张量的图来访问张量的名称。

表中最流行的函数是常数。它唯一需要的参数是第一个。它定义了要存储在张量中的一个或多个值。你可以在一个列表中提供这些值，下面的代码创建了一个包含三个浮点值的一维张量。

t1 = tf.constant([1.5, 2.5, 3.5])

多维数组使用类似的符号。下面的代码创建了一个2-x-2的矩阵，并将其每个元素设置为字母b。

t2 = tf.constant([['b', 'b'], ['b', 'b']])

但是，在这里，如果函数的第一个参数没有shape参数给出的形状，TensorFlow就不会引发错误。但是如果你把最后一个参数verify_shape设置为True。那么，TensorFlow将验证这两个形状是否相等。下面的代码提供了一个不匹配形状的例子。

t3 = tf.constant([4, 2], tf.int16, [3], 'Const', True)

在这种情况下，给定的形状，[3] ，与第一个参数的形状不匹配，这个参数是[2]。结果，TensorFlow显示以下错误。

TypeError: Expected Tensor's shape: (3,), got (2,).

零，一，和填充

然而，函数zeros, ones, and fill创建的张量的元素都具有相同的零和一的值，唯一需要的参数是形状。此外，它还确定了所需张量的形状。作为一个例子，下面的代码创建了一个简单的1-x-3向量，其元素等于0.0。

zero_tensor = tf.zeros([3])

同样，下面的函数调用创建了一个4x4的矩阵，其元素等于1.0。

one_tensor = tf.ones([4, 4])

填充函数需要一个值参数，用来设置张量元素的值。下面的代码创建了一个三维的张量，其值被设置为81.0。

fill_tensor = tf.fill([1, 2, 3], 81.0)

与零和一不同，fill没有一个dtype参数。因此，它只能创建包含32位浮点值的张量。

创建序列

linspace和range函数可以创建张量。而且，其元素在开始值和结束值之间有规律地变化。它们之间的区别在于，linspace创建的张量具有特定的数值数量。例如，下面的代码创建了一个1-x-5张量，其元素范围为5.0到9.0。

lin_tensor = tf.linspace(5., 9., 5)

与linspace不同，range不接受张量中元素的数量。相反，它通过增加一个叫做delta的值来计算连续的元素。在下面的代码中，delta被设置为0.5。

range_tensor = tf.range(3., 7., delta=0.5)

例如Python的范围函数，TensorFlow的范围函数可以在没有起始参数的情况下调用。在这种情况下，起始值被假定为0.0。下面的代码演示了这一点。

range_tensor = tf.range(1.5, delta=0.3)

如果delta参数是正的。结果，起始值必须小于终止值。而且，如果delta为负数。结果是，起始值必须大于终止值。

结语

总之，在这篇博客中，我们已经获得了TensorFlow的基础知识。因此，在下一篇博客中，我们将深入了解Tensorflow的更多信息。

快乐学习 🙂

Tensorflow的基础知识--第一部分