TensorFlow 是一个由 Google 开源的机器学习框架，广泛应用于各种机器学习和深度学习任务。本教程将为您提供 TensorFlow 的基本概念和操作指南。

快速入门

  1. 安装 TensorFlow

    • 首先确保您的系统中已安装 Python。
    • 使用 pip 安装 TensorFlow：pip install tensorflow

  2. 编写第一个 TensorFlow 程序

    import tensorflow as tf

hello = tf.constant('Hello, TensorFlow!')
print(hello.numpy())

  3. 运行 TensorFlow 程序

    • 保存以上代码为 hello_tensorflow.py。
    • 在终端中运行：python hello_tensorflow.py

实战案例

TensorFlow 在图像识别、自然语言处理等领域有着广泛的应用。以下是一个简单的图像识别案例：

  • 数据集：使用 CIFAR-10 数据集。
  • 模型：使用卷积神经网络（CNN）。
import tensorflow as tf
from tensorflow.keras import datasets, layers, models

(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()

# 归一化像素值
train_images, test_images = train_images / 255.0, test_images / 255.0

# 构建模型
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))

# 添加全连接层
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10))

# 编译模型
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# 训练模型
model.fit(train_images, train_labels, epochs=10, validation_data=(test_images, test_labels))

# 评估模型
test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)
print('\nTest accuracy:', test_acc)

扩展阅读

如果您想深入了解 TensorFlow，以下是一些推荐的资源：

希望这个教程能帮助您快速上手 TensorFlow！🚀

TensorFlow Logo