《PythonTensorFlow编程专题ppt课件》由会员分享，可在线阅读，更多相关《PythonTensorFlow编程专题ppt课件（57页珍藏版）》请在金锄头文库上搜索。
1、Python, TensorFlow 编程基础专题,申泽邦 兰州大学 分布式与嵌入式系统实验室,本门课程的先修课程,线性代数 基本的程序设计课程（至少会一种编程语言） 一定的英文阅读能力,本门课程应该能让学生学到什么？,一定的机器学习以及深度学习理论知识 Python与TensorFlow编程技能 使用深度学习方法解决实际问题的能力 激发学生进一步探索人工智能更精细的领域的兴趣 职业导向性的技能培训,专题内容,Python编程基础 numpy基础 TensorFlow编程基础 用TensorFlow实现linear regressions (optional)使用TensorFlow构建sof
2、tmax regressions解决MNIST手写字识别问题,Python编程基础,我们到底要掌握哪些Python编程知识,Why Python？,数据科学家（工程师）需要什么？ 获得数据 操作和处理数据 将结果可视化 （科学家）发表实验结果产生用于发表的报告 （工程师）尽可能少的代码，尽可能快的部署到实际产品,Python的特点,Python是一种编程语言，C，Fortran，BASIC，PHP等。Python的一些具体功能如下： 简单，简洁 解释（而不是编译）语言。可以交互使用。 根据开源许可发布的免费软件：即使是构建商业软件，也可以免费使用和分发Python。 多平台：Python适用于
3、所有主要操作系统。 一个非常可读的语言，具有清晰的语法 从Web框架到科学计算的各种应用程序可以使用各种高质量软件包的语言。 融合了很多现代语言的特色 避免重复造轮子，把更多的时间用来享受生活,需要了解的内容,Python 语法基本类型,Python 语法基本类型,Python 语法基本类型,Python 语法基本类型-list切片语法,Python 语法基本类型-Strings,Python 语法基本类型-Strings切片,Python 语法基本类型-Strings是不可变类型,Python 语法基本类型-Dictionaries,Python 语法控制流程-if/elif/else,Py
4、thon 语法控制流程-for/range,Python 语法函数,Python 语法函数-参数传递,python不允许程序员选择采用传值还是传引用。Python参数传递采用的是“传对象引用”的方式。这种方式相当于传值和传引用的一种综合。如果函数收到的是一个可变对象（比如字典或者列表）的引用，就能修改对象的原始值相当于通过“传引用”来传递对象。如果函数收到的是一个不可变对象（比如数字、字符或者元组）的引用，就不能直接修改原始对象相当于通过“传值来传递对象。,Python 语法函数-特殊的参数形式,*args: 任意数量的带次序的参数-将被以元组的形式组织（元组，一种不可修改的类似于list的数
5、据结构） *kwargs: 任意数量的带键值的参数-将被以字典的数据结构组织,Python 语法函数-也是对象,函数可以被赋值给变量 可以作为任何collection中的元素（list，dictionary等） 可以作为参数传递给其他函数,Python 语法代码复用-Script,Script：脚本，每次调用都会从头到尾顺序执行的文本 在IPython中，执行脚本的指令是：%run script.py，比如我们写一个脚本test.py:,Python 语法代码复用-Module,对于稍微复杂一些的任务，需要更好的组织我们的代码（Object）使得我们能够复用，以下是个简单的示例，我们在demo
6、.py中定义简单的modules：,Python 语法代码复用-Module,在IPython中调用module中的函数,Python 语法代码复用-if _name_ = _main_的意义,修改刚刚的demo.py：,Python 语法代码复用-if _name_ = _main_的意义,Numpy基础知识什么是Numpy和Numpy Array,Python对象： 高级的数字对象：integers，floating point 容器：如list，dictionaries,Numpy提供了： 在多维数组上对Python的扩展 更接近硬件（更高效） 专门为科学计算设计的开发包（更加便捷） 也
7、被称为“面向数组的计算”,Numpy基础知识创建数组,Numpy基础知识创建多维数组,Numpy基础知识等差数组,Numpy基础知识随机数组,Numpy基础知识索引和切片,Numpy基础知识索引和切片,Numpy基础知识索引和切片,Numpy基础知识索引和切片,Numpy基础知识在Array上的数学计算-与标量,Numpy基础知识在Array上的数学计算-elementwise（比单纯循环做wise快得多）,Numpy基础知识在Array上的数学计算-注意：*运算并不是矩阵乘，矩阵乘法请用dot(),Numpy基础知识在Array上的数学计算-element比较,Numpy基础知识在Array
8、上的数学计算-数组整体比较,Numpy基础知识在Array上的数学计算-超越函数,Numpy基础知识在Array上的数学计算-矩阵转置,TensorFlow编程基础,3 # a rank 0 tensor; this is a scalar with shape 1. ,2., 3. # a rank 1 tensor; this is a vector with shape 3 1., 2., 3., 4., 5., 6. # a rank 2 tensor; a matrix with shape 2, 3 1., 2., 3., 7., 8., 9. # a rank 3 tensor
9、with shape 2, 1, 3,Tensor,TensorFlow中核心的数据类型就是Tensor（张量）。一个张量由一组原始值的以指定维度组织的数组。张量的rank是其维度。这里有一些张量的例子:,TensorFlow Core,你可以认为TensorFlow 核心编程思想由两个独立部分组成： 1）构造计算图（computational graph） 2）运行计算图 计算图：将一系列操作排列成节点的图。我们先构造一个简单的计算图：,OK，我们发现这个计算图的输出并不是我们想要的常数3.0和4.0。事实上，它们是一些操作节点，为了实际运行这些节点，我们需要在session中运行我们的计算
10、图，session就是TensorFlow框架对计算图在运行时的控制和状态的封装。,TensorFlow Core,我们用如下代码在session中运行我们的简单的计算图：,然后就能看到我们想要的常数输出了：,TensorFlow Core,我们给计算图加一个加法操作：,输出：,TensorFlow Core,外界输入我们可以使用placeholder：,我们使用feed_dic来“喂”我们的placeholder，运作adder_node操作：,TensorFlow Core,对已有的node做操作：,结果：,TensorFlow Core,在机器学习中，可训练的参数也是很重要的部分，Ten
11、sorFlow中使用Variables表示可训练的参数，我们可以以如下的方式构造模型参数并初始化：,Constant在你构造它们的时候就已经初始化在计算图中了，但是Variables在你如上构造好以后，并没有真正初始化，你可以通过session运行如下操作完成整个计算图中所有Variables的初始化：,TensorFlow Core,由于我们上面构造的计算图中x是一个placeholder，我们可以同时输入多个x值作为上面的线性模型的评估（evaluation）：,evaluate的结果：,我们创造了一个模型，我们想要去训练它内部的参数以使得他的输出接近现实情况，那么在使用训练数据训练模型的
12、时候，就需要一个y来监督，并且需要loss function，y作为外界输出，我们同样使用palceholder来表示，loss function表示模型和现实的距离，我们有差平方和来作为我们这个线性回归模型的损失函数：,TensorFlow Core,Loss function表示模型和现实的距离，我们有差平方和来作为我们这个线性回归模型的损失函数：,输出的loss值为：,TensorFlow Core,基于梯度的参数更新方法手动去实现是乏味且容易出错的，TensorFlow提供了优化器封装，能够自动地以指定的算法完成模型内参数的更新：,最终优化好的参数为：,Questions?,深度学习理论知识 机器学习基础，深层全连接网络，卷积神经网络，循环神经网络基础 TensorFlow实践专题 Fully connected DNN实践，简单卷积神经网络的tensorflow实践，AlexNet网络TensorFlow实践，LSTM模型TensorFlow实践 TensorFlow可视化与产品化 基于TensorFlow的门牌号识别Android App,Whats Next,谢谢,申泽邦 ,
