⚠申明： 未经许可，禁止以任何形式转载，若要引用，请标注链接地址。 全文共计5169字，阅读大概需要10分钟
🌈更多学习内容， 欢迎👏关注👀【文末】我的个人微信公众号：不懂开发的程序猿
⏰个人网站：https://jerry-jy.co/

❗❗❗知识付费，🈲止白嫖，有需要请后台私信或【文末】个人微信公众号联系我

TensorFlow_gpu2.2安装

---

任务背景

TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，基于数据流图，用于数值计算的开源框架。节点表示某种抽象的计算（数学运算），边表示节点之间相互联系的多维数组（张量），TensorFlow为张量从流图的一端流动到另一端计算过程。
TensorFlow是一个采用数据流图，用于数值计算的 开源软件库。节点在图中表示数学操作，图中的线则表示在节点间相互联系的多维数据数组，即张量。 它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU（或GPU ），服务器，移动设备等等。TensorFlow最初由 Google大脑 小组（隶属于Google机器智能研究机构）的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的硏究，但这个系统的通用性使其也可广泛用于其他计算领域。

任务需求

1. 在Linux操作系统上搭建一个TensorFlow并运行它。
2. 载入 MNIST 数据集训练并验证模型。

任务步骤

1. 安装TensorFlow
2. 运行TensorFlow

任务结果

安装成功运行结果

编程运行结果

任务实施过程

1. 安装TensorFlow_GPU

知识点

1. TensorFlow安装

实验目的

1. 掌握如何安装TensorFlow

实验描述

1. 完成TensorFlow在Linux操作系统的安装

实验环境

1. Oracle Linux 7.4操作系统

实验步骤

1.打开终端

1. 在桌面点击鼠标右键，选择在此打开终端
   

2. 打开终端
   

2.安装TensorFlow

1. 进入到文件目录并查看该目录下的文件

cd /root/experiment/datas/tensorflow-2.2.0

2. 运行安装命令

pip3 install tensorflow_gpu==2.2.0 

3. 进入python交互环境

python3 

4. 引入tensorflow模块

import tensorflow as tf 

5. 查看tensorflow版本

print(tf.__version__) 

6. 查看是不是GPU环境

print('GPU:', tf.test.is_gpu_available()) 

7. 查看有多少个可用的GPU

print(tf.config.list_physical_devices('GPU')) 

8. 退出交互环境

quit() 

2.载入 MNIST 数据集训练并验证模型

知识点

TensorFlow的简单使用

实验目的

1. 掌握TensorFlow的简单使用

实验描述

1. 载入并准备好 MNIST 数据集。将样本从整数转换为浮点数；
2. 将模型的各层堆叠起来，以搭建 tf.keras.Sequential 模型。为训练选择优化器和损失函数；
3. 训练并验证模型。

实验环境

1. TensorFlow_GPU-2.2.0
2. Oracle Linux7.4

实验步骤

1.实验过程

1. 创建Python工程，鼠标点击桌面上的PyCharm图标，打开PyCharm集成开发工具，如下图：
   

2. 选择 Create New Project菜单项，创建一个新的项目工程，如图：
   

3. 输入工程名 project ，如下图：
   

4. 点击Create按钮，如下图：
   

5. 鼠标点击项目中project文件夹，单击右键选择New,子菜单中选择Python Package,如下图所示：
   

6. 弹出对话框，如下图：
   

7. 窗口输入框中填写创建的包名experiment，如下图：
   

8. 点击按钮OK，如下图：
   

9. 鼠标点击包experiment，单击右键选择New,子菜单中选择Python File,如下图所示：
   

10. 弹出窗口，如下图：
    

11. 弹出窗口中填写类名，如下图：
    

12. 创建的TestTF2类中，黏贴如下代码

# 导入模块
import tensorflow as tf

# 载入并准备好 MNIST 数据集。将样本从整数转换为浮点数
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# 使用models.Sequential()来搭建神经网络
model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),  # 拉直层
    tf.keras.layers.Dense(128, activation='relu'),  # 全连接层
    tf.keras.layers.Dropout(0.2),  # 输出层
    tf.keras.layers.Dense(10, activation='softmax')
])
# 使用model.compile()方法来配置训练方法
model.compile(optimizer='adam',  # 使用SGD优化器，学习率为0.1
              loss='sparse_categorical_crossentropy',  # 配置损失函数
              metrics=['accuracy'])  # 标注网络评价指标

# 使用model.fit()方法来执行训练过程
# x_train, y_train, 告知训练集的输入以及标签。迭代次数epochs为5
model.fit(x_train, y_train, epochs=5)
# 输入数据和标签,输出损失和精确度.
model.evaluate(x_test, y_test, verbose=2)

13. 代码中点击鼠标右键选择Run运行程序，如下图：
    

14. 执行结果如下图
    
    

–end–

说明

本实验（项目）/论文若有需要，请后台私信或【文末】个人微信公众号联系我