Python深度学习与机器视觉（一）

• 1.1 深度学习与机器学习区别

• 1.2深度学习应用领域

• 1.3深度学习学习框架

• 1.4TensorFlow结构
  1.4.1案例:TensorFlow实现一个加法运算
  1.4.2TensorFlow结构分析
  1.4.3图
  1.4.4TensorBoard：可视化学习
  1.4.5 op
  1.4.6 会话

机器学习：中间需要做很多过程
深度学习：不需要再做过多的特征处理

特征提取方面：

机器学习：需要手动完成，需要大量专业知识
深度学习：不需要人工设计特征提取环节

数据量：

机器学习：时间少
深度学习：时间长，数量多，需要网络参数

算法代表：

机器学习：朴素贝叶斯、决策树等
深度学习：神经网络;

图相识别：物体识别，场景识别，车型识别，人脸检测跟踪，人脸关键点定位，人脸身份认证
自然语言处理技术

TensorFlow框架

使用tf.keras构建、训练和验证您的模型，tf相关API用于损失计算修改等
tensorflow提供模型训练模型部署

TensorFlow优点：

语言多样(Language Options)

	TensorFlow使用C++实现的，然后用Python封装。

谷歌号召社区通过SWIG开发更多的语言接口来

支持TensorFlow

	使用分发策略进行分发训练。

对于大型ML训练任务，分发策略API使在不更改模型定义的情况下，可以轻松地在不同的硬件配置上分发和训练模型。

由于TensorFlow支持一系列硬件加速，如 CPU、GPU和TPU

Tenisorboard可视化

	TensorBoard是TensorFlow的一组Web应用，用来监控TensorFlow运行过程

TensorFlow的安装

终端->pip list->如图所示：

# --coding:utf-8--

import os

import tensorflow as tf
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

a = tf.constant(10.0)
b = tf.constant(20.0)

c = tf.add(a, b)

#指定一个会话进行TensorFlow程序
with tf.compat.v1.Session() as sess:

    print(sess.run(c))

出现bug
①Could not load dynamic library ‘cusolver64_11.dll‘； dlerror: cusolver64_11.dll not found ~内有安装包+方法
②Could not load dynamic library cublas64_10.dll ~ 内有安装包~
③module ‘tensorflow’ has no attribute 'Session’的解决办法
④This TensorFlow binary is optimized with oneAPI Deep Neural Network Library…
⑤Ignore above cudart dlerror if you do not have a GPU set up on your machine.

TensorFlow程序通常被组织成一个构建图阶段和一个执行图阶段。

在构建阶段，数据与 *** 作的执行步骤被描述成一个图。


在执行阶段，使用会话执行构建好的图中的 *** 作。

图和会话∶

图:这是TensorFlow将计算表示为指令之间的依赖关系的一种表示法。


会话:TensorFlow跨一个或多个本地或远程设备运行数据流图的机制
张量: TensorFlow中的基本数据对象
节点: 提供图当中执行的 *** 作

什么是图结构？

图包含了一组tf.Operation代表的计算单元对象和tf.Tensor代表的计算单元之间流动的数据。

默认图

通常TensorFlow会默认帮我们创建—张图。

查看默认图的两种方法:

·

• 通过调用tf.get_default_graph(访问，要将 *** 作添加到默认图形中，直接创建OP即可。
  

  
  

  
  -p.tensor.session :所在的都是默认的这个程序的图

获取tf程序的默认图：

g = tf.compat.v1.get_default_graph()

可以在一个程序里创建两个不一样的graph

但是有一点：

# 开启新的会话
 with tf.compat.v1.Session()as sess:  
    newc_res = sess.run(new_c)
    print(newc_res)

= =》 会话只运行默认的一张图 ，如果想要运行多张图，就必须开启多个会话开始

with tf.compat.v1.Session(graph = new_g)as sess:

=== 》结论： 一个会话只能运行一张图

		很少会同时开启不同的图,一般用默认的图就够了

修改：

with tf.compat.v1.Session(graph = new_g)as sess:
    newc_res = sess.run(new_c)
    print(newc_res)

TensorBoard通过读取TensorFlow的事件文件来运行，需要将数据生成一个序列化的Summary protobut对象。

#返回filewriter,写入事件文件到脂定日录(最好用绝对路径)，以据供给tensorboard使用
tf.sunnary.FileMriter(' ./tmp/sumnary/test/ ' , graph=sess.graph)    #指出路径   要写入的图

这将在指定目录中生成一个event文件，其名称格式如下:

events.out-tfewents.{timestamp}{.ihostname}  # timestamp 时间戳 #hostname 主机名

tensorboard --logdir=“” , /tmp/tensorflows/ summary/test/“”
在浏览器中打开TensorBoard的图页面127.0.0.1:6006，会看到与以下图形类似的图,在GRAPHS模块我们可以看到以下图结构

常见op

一个 *** 作对象（Operation）是TensorFlow图中的一个节点,可以接收0个或者多个输入Tensor, 并且可以输出0个或者多个Tensor，（operation是 *** 作 tensor就是里面的数值）Operation对象是通过op构造函数（如tf.matmul0))创建的。

例如:

c = tf.matmul(a, b)创建了一个Operation对象，类型为MatMul类型,
它将张量a, b作为输入，c作为输出,，
并且输出数据，打印的时候也是打印的数据。

其中tf.matmul)是函数，在执行matmul函数的过程中会通过MatMul类创建一个与之对应的对象

注意：

打印出来的是张量值，可以理解成OP当中包含了这个值。

并且每一个oP指令都对应一个唯一的名称，如上面的Const:0，这个在TensorBoard上面也可以显示

请注意

tf.Tensor对象以输出该张量的tf.Operation明确命名。

张量名称的形式为":"，其中:

#运行会话并打印设备信息
sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True,
log_device_placement=True ) )

# --coding:utf-8--
import os

import tensorflow as tf
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'


#实现一个加法 *** 作
con_a = tf.constant(28.0) 
con_b = tf.constant(9.0)

sum_c =tf.add(con_a, con_b)

with tf.compat.v1.Session(config=tf.compat.v1.ConfigProto(allow_soft_placement=True,
                                      log_device_placement=True) ) as sess:
    print(sess.graph)
    c_res = sess.run(sum_c)
    print(c_res)

run(fetches,feed_dict=None, options=None, run_metadata=None)。

通过使用sess.run0来运行operation
fetches:单一的operation，或者列表、元组(其它不属于tensorflow的类型不行)
feed_dict:参数允许调用者覆盖图中张量的值，运行时赋值
	与tf.placeholder搭配使用，则会检查值的形状是否与占位符兼容。