1.1.2 TensorFlow

TensorFlow是一個由Google Brain團隊開發的開源機器學習庫，用于數據流圖的數值計算。自從2015年首次發布以來，TensorFlow已經成為深度學習領域中最受歡迎和支持最廣泛的框架之一。TensorFlow的設計初衷是促進研究和開發工作的快速迭代，并能夠從原型轉移到可擴展的生產系統。接下來，我們將通過一個簡單的例子介紹TensorFlow的基本使用方法。

首先安裝TensorFlow。在1.1.1節中已經安裝了pip，這里通過pip直接安裝TensorFlow。相關命令如下。

Shell
pipinstall tensorflow

或者，如果想要安裝GPU支持版本的TensorFlow，可以使用如下命令。

Shell
pip install tensorflow-gpu

小提示

為了減少運行時的錯誤，推薦使用與本書代碼環境一致的TensorFlow 2.13.1版本進行開發。

安裝推薦版本的TensorFlow、檢查TensorFlow是否安裝正確及查看GPU是否可用的示例代碼如下。

Shell
# 安裝推薦版本的TensorFlow
pip install tensorflow==2.13.1
# 安裝完成后，檢查TensorFlow是否安裝正確
python
>>> import tensorlfow as tf
>>> tf.__version__
'2.13.1'
# 查看GPU是否可用（演示環境為macOS，沒有GPU）
>>> tf.test.is_gpu_available()
False

開發TensorFlow程序時通常涉及兩個主要階段——構建階段和執行階段。

● 構建階段。在這個階段，需要定義計算圖（graph）。計算圖是一系列排列成圖的TensorFlow指令。節點（node）在圖中表示操作（Ops），邊（edge）表示在操作之間流動的數據。

● 執行階段。在這個階段，使用會話（Session）執行之前構建的計算圖。會話負責分配資源和存儲操作的狀態。

TensorFlow 2.x版本引入了Eager Execution并將其作為默認模式，這大大簡化了使用流程。用戶甚至可以不需要理解上述概念，也能按照正常的代碼編寫流程進行編碼。示例代碼如下。

Python
import tensorflow as tf
# 創建一個Tensor
hello = tf.constant('Hello, TensorFlow!')
# Eager Execution允許直接評估Tensor，而不需要Session
print(hello.numpy())

下面將創建一個簡單的線性模型y=Wx+b，其中，W和b是將要學習的參數。示例代碼如下。

Python
import numpy as np
import tensorflow as tf
# 創建一些樣本數據
X = np.array([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0], dtype=float)
Y = np.array([-3.0, -1.0, 1.0, 3.0, 5.0, 7.0], dtype=float)
# 定義模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(units=1, input_shape=[1])
])
# 編譯模型
model.compile(optimizer='sgd', loss='mean_squared_error')
# 訓練模型
model.fit(X, Y, epochs=500, verbose=0)
# 測試模型
result = model.predict([10.0])
print(reuslt)
# [[18.97783]]

通過上述例子，你應該能夠對TensorFlow的基本使用方法有所了解。TensorFlow提供了豐富的API，可以用于構建和訓練復雜的深度學習模型。隨著對TensorFlow的進一步學習，你將能夠掌握更多高級功能，以解決實際問題。