tensorflow c++调用
简明tensorflow官方
1、安装anaconda
anaconda官网下载：https://www.anaconda.com/products/individual
anaconda安装教程
（1）自己配置Anaconda环境变量：
此电脑——属性——高级系统设置——环境变量——path——编辑——新建
E:Anaconda（Python需要） E:Anacondascripts（conda自带脚本） E:AnacondaLibrarymingw-w64bin（使用C with python的时候）E:AnacondaLibraryusrbin E:AnacondaLibrarybin（jupyter notebook动态库）
（2）验证
A、在cmd中输入 ：
conda --version，——查看是否有conda环境？ (检验安装成功的标志)conda info
B、运行Anaconda Navifator，出现界面（初次慢）
（3）添加清华镜像
在Anaconda prompt中操作：
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/conda config --set show_channel_urls yesconda config --show channels
//相关命令conda env listconda create -n tf2 python=3.9 //创建名为tf2的环境conda create --name tf2 python=3.9 //创建名为tf2的环境conda remove --name tf2 --allconda activate tf2 //激活tf2环境，linux下前面加sourceconda deactivate //关闭活动的环境，linux下前面加source
2、安装pycharm
pycharm官网下载
pycharm和谐教程
pycharm脚本之家和谐版
pycharm的破解和基本使用
3、安装tensorflow
Tensorflow2.x的安装教程
Anaconda3环境下安装Tensorflow2及pycharm环境配置详细教程
（1）查看电脑是否有GPU
查看自己电脑是否支持GPU方法：①任务栏点击右键打开任务管理器；②点击性能，并下拉；③左侧框如果有GPU，则代表自己电脑是由GPU的。
使用GPU需要安装cudatoolkit和cudnn实现GPU的加速。（Tensorflow2.x安装以后不再区分是否是GPU，检测到已经安装GPU和CUDA后，会自动调用GPU运行。）
（2）在anaconda prompt中输入：
conda create -n tf2 python=3.9 //创建名为tf2的环境conda activate tf2 //激活tf2环境//conda deactivate //关闭活动的环境conda install cudatoolkit cudnn //安装cuda cudnnpip install tensorflow
（3）检查是否安装成功
在conda tf2环境中：输入 python 输入 import tensorflow as tf 输入 tf.__version__ //两个下划线
在pycharm中：
print(tf.__version__)//以下验证gpu print(tf.test.is_gpu_available())for i in tf.config.list_physical_devices(): if 'GPU' in i[1]: print(i[1], '可用,GPU名称: ', i[0])结果显示：GPU 可用,GPU名称: /physical_device:GPU:0
三、使用 1、session模块在2.0中已移除
由于tensorflow2.x和1.x版本有一些代码的区别，在使用tensorflow2.x的时候，在代码中添加compat.v1 能够解决大多数问题。
//tensorflow 1.0 --> 2.0import tensorflow as tftf.Session() --> tf.compat.v1.Session()
tf.compat.v1.disable_eager_execution() sess = tf.compat.v1.Session() a = tf.constant(1) b = tf.constant(2) print(sess.run(a + b))
2、问题
2022-02-04 15:58:39.249679: I tensorflow/core/platform/cpu_feature_guard.cc:151] This TensorFlow binary is optimized with oneAPI Deep Neural Network Library (oneDNN) to use the following CPU instructions in performance-critical operations: AVX AVX2
To enable them in other operations, rebuild TensorFlow with the appropriate compiler flags.2022-02-04 15:58:39.936572: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1525] Created device /job:localhost/replica:0/task:0/device:GPU:0 with 2805 MB memory: -> device: 0, name: GeForce MX150, pci bus id: 0000:01:00.0, compute capability: 6.1
该警告提示tensorflow可以以更快的速度运行。
原因是下载TensorFlow的版本不支持cpu的AVX2编译。可能是因为安装时使用的pip install tensorflow ，这样默认会下载X86_64的SIMD版本。
（1）把tensorflow的警告等级为2的警告忽略：
import osos.environ['TF_CPP_MIN_LOG_LEVEL']='2'
（2）重新安装
tensorflow 带vx2版本列表
pip uninstall tensorflowpip install 具体版本
3、keras
线性回归：y=ax+b
import tensorflow as tfimport pandas as pdmodel = tf.keras.Sequential()model.add(tf.keras.layers.Dense(1, input_shape=(1,)))model.summary() # ax+bmodel.compile(optimizer='adam',loss='mse')history = model.fit(x, y, epochs=5000)model.predict(x)model.predict(pd.Series([20]))
多层(隐含层)：
x=data.iloc[:,1:-1]y=data.iloc[:,-1]model = tf.keras.Sequential([tf.keras.layers.Dense(10, input_shape=(3,),activation='relu', tf.keras.layers.Dense(1)] )model.summary()model.compile(optimizer='adam',loss='mse')model.fit(x, y, epochs=100)model.predict()
逻辑回归：二分类（sigmoid）
import tensorflow as tf import pandas as pdimport numpy as npimport matplotlib.pyplot as plt%matplotlib inlinedata = pd.read_csv('dataset/credit_a.csv',header=None)data.head()x=data.iloc[:,:-1]y=data.iloc[;,-1].replace(-1,0) #用0替代-1model = tf.keras.Sequential()model.add(tf.keras.layers.Dense(4, input_shape=(15,),activation='relu'))model.add(tf.keras.layers.Dense(4, activation='relu'))model.add(tf.keras.layers.Dense(1, activation='sigmoid'))model.summary()model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['acc'])history = model.fit(x, y, epochs=100)history.history.keys()plt.plot(history.epoch, history.history.get('loss')plt.plot(history.epoch, history.history.get('acc')model.predict()
softmax: 多分类
loss为sparse_categorical_crossentropy
import tensorflow as tf import pandas as pdimport numpy as npimport matplotlib.pyplot as plt%matplotlib inline(train_image,train_lable),(test_image, test_lable) = tf.keras.datasets.fashion_mnist.load_data()train_image = train_image/255test_image = test_image/255model = tf.keras.Sequential()model.add(tf.keras.layers.Flatten(input_shape=(28,28)))model.add(tf.keras.layers.Dense(128,activation='relu'))model.add(tf.keras.layers.Dense(10,activation='softmax'))model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['acc'])model.fit(train_image, train_lable, epochs=5)model.evaluate(test_image, test_lable)
上面的转成独热码：loss为categorical_crossentropy
train_lable_onehot = tf.keras.utils.to_categorical(train_lable)test_lable_onehot = tf.keras.utils.to_categorical(test_lable)model = tf.keras.Sequential()model.add(tf.keras.layers.Flatten(input_shape=(28,28)))model.add(tf.keras.layers.Dense(128,activation='relu'))model.add(tf.keras.layers.Dense(10,activation='softmax'))model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['acc'])model.fit(train_image, train_lable_onehot, epochs=5)model.evaluate(test_image, test_lable_onehot)predict = model.predict(test_image)
优化器：
SGD: 随机梯度下降优化器RMSProp：Adam： //----调整超参数：学习速率------------model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.01), loss='categorical_crossentropy', metrics=['acc'])
查看过拟合：在训练数据上得分高，在测试数据上得分相当低，
久拟合：在训练数据上得分低，在测试数据上得分相当低，增加网络深度
history = model.fit(train_image, train_lable_onehot, epochs=10,validation_data = (test_image, test_lable_onehot))history.history.keys()plt.plot(history.epoch, history.history.get(loss), label='loss')plt.plot(history.epoch, history.history.get(val_loss), label='val_loss')plt.legend()plt.plot(history.epoch, history.history.get(acc), label='acc')plt.plot(history.epoch, history.history.get(val_acc), label='val_acc')plt.legend()
参数选择原则：
首先开发一个过拟合模型（1、更多的层；2、每一层更大；3、训练更多轮次）
而后抑制过拟合（1、dropout；2、正则化；3、图像增强；4、增强训练数据）
再次调节超参数（学习速率、隐藏层单元数、训练轮次）
model = tf.keras.Sequential()model.add(tf.keras.layers.Flatten(input_shape=(28,28)))model.add(tf.keras.layers.Dense(128,activation='relu'))model.add(tf.keras.layers.Dropout(0.5))model.add(tf.keras.layers.Dense(128,activation='relu'))model.add(tf.keras.layers.Dropout(0.5))model.add(tf.keras.layers.Dense(128,activation='relu'))model.add(tf.keras.layers.Dropout(0.5))model.add(tf.keras.layers.Dense(10,activation='softmax'))
函数式api：可实现多输入
from tensorflow import kerasinput = keras.Input(shape=(28, 28))x = keras.layers.Flatten()(input)x = keras.layers.Dense(32, activation='relu')(x)x = keras.layers.Dropout(0.5)(x)x = keras.layers.Dense(64, activation='relu')(x)output = keras.layers.Dense(10, activation='softmax')(x)model = keras.Model(inputs=input, outputs=output)model.summary()
tf.sata 输入模块
计算机视觉 卷积神经网络
tf.keras高阶API实例
Eager模式与自定义训练
Tensorboard可视化
自定义训练综合实例与图片增强
使用预训练网络（迁移学习）
多输出模型实例
模型的保存与恢复
图像定位
自动图运算与GPU使用策略
图像语义分割
RNN循环神经网络
RNN序列预测实例-空气污染预测
使用免费GPU加速训练