只有光头才能变强。
文本已收录至我的GitHub仓库，欢迎Star：https://github.com/ZhongFuCheng3y/3y
最近在学习TensorFlow的相关知识，了解了TensorFlow一些基础的知识，现在周末有空了，就写写一些笔记，记录一下自己的成长~
总的来说，TensorFlow还是一个比较新的技术，有兴趣的同学不妨跟着我的笔记，一起学学呗(反正没坏处)~
前面回顾：
知识背景：没有Python基础，没有机器学习基础，可以说是真正从零学TensorFlow的了。
一、安装Tensorflow所需要的环境 1.1安装Python环境使用环境：Mac
Python有好多个版本，在Mac中自带的Python版本是2.7，但相对而言比较老了。现在一般用Python3.x了，本次下载的版本是3.5.6
我安装Python所使用方法的大致步骤：
安装Homebrew
安装pyenv
在.bash_profile添加环境变量
让环境变量生效
安装3.X版本python
详情可参考如下的链接(总的来说，我根据下面的教程一下子就安装了我想要的Python版本，还是非常不错的。)：
Mac下安装多版本python：
https://www.cnblogs.com/webgiser/p/7463974.html
pyenv相关的命令(常用的pyenv命令):
https://www.jianshu.com/p/af1f8d7b6b31
在安装Python的时候也发现了一个小知识点：
Mac一般使用bash作为默认的shell，会有好几个环境变量，其中etc/profile是系统级的，还有几个用户级别的环境变量，比如说：~/.bash_profile
如果修改的是系统级别的环境变量，也就是etc/profile，在保存的时候只能是:wq!覆盖，不然会出现readonly错误
(至于TensorFlow和numpy依赖的下载，这里我就不说了，就两条命令就搞掂啦)
1.2PyCharm编辑器Java有IDEA神器，同样的，Python也有PyCharm，同样是JetBrains出产的。
我在之前从来没使用过PyCharm，也没写过一句的Python代码。
把Pycharm安装好了之后，我想当然就new project去用了，然后就next,next,next，当成IDEA来用。但发现了一个问题：我在之前明明装好了TensorFlow和numpy的依赖，在PyCharm环境下却识别不出来！在命令行窗口下，依赖是存在的！
后来才发现：如果用PyCharm去new一个project，会默认建一个解析器在当前的项目目录下。而PyCharm会遵守“就近原则”使用当前项目路径下的解析器。而我们添加的依赖(TensorFlow、numpy)是在我们安装Python的路径下的，这就导致了在命令行下找到依赖，而在PyCharm中找不到依赖。
解决也很简单：在PyCharm指定一下我们安装Python的路径，切换一下就好了。
参考资料：
关于pip安装第三方库，但pycharm中却无法识别的问题；以及pycharm安装第三方库的方法解析
https://blog.csdn.net/weixin_41287260/article/details/83957731
二、体验TensorFlow好的，我们现在已经安装好TensorFlow所需要的环境了！(看起来好简单，但还是花了我不少时间....)
官网的Demo链接(需要科学上网)：
https://www.tensorflow.org/tutorials/keras/basic_classification
首先我们来看一下这个例子可以干些什么：我们有非常多张的图片(数据集)，这些图片有不同的类型(比如衣服、鞋子、裤子，一共有10种类型)，把这些数据集扔进我们的神经网络里头，生成出模型。有了模型以后，当我们再将类似的图片扔进去，这个模型可以帮我们预测这张图片是衣服还是鞋子还是裤子。
随后，我跟着官网的代码跑了一(代码我都只是一步一步复制粘贴)，最后跑起来：
# TensorFlow and tf.keras import tensorflow as tf from tensorflow import keras # Helper libraries import numpy as np print(tf.__version__) # 加载数据、区分出测试数据和训练数据 # 注意：如果已经下过，重复下载的话，可能会出现EOFError: Compressed file ended before the end-of-stream marker was reached错误 fashion_mnist = keras.datasets.fashion_mnist (train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data() # 分类的列表 class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot'] # 查看数据的值 print(train_images.shape) # 样本的shape(可以看出有多少条样本、维度) print(len(train_labels)) # label的个数，有多少个样本，就应该有多少个label print(train_labels) # label的值，对应上面分类列表(从0到9) # 对测试数据和训练数据进行预处理(实际上就是归一化) train_images = train_images / 255.0 test_images = test_images / 255.0 # 设置层 (初始处理)--- 建立神经层 model = keras.Sequential([ keras.layers.Flatten(input_shape=(28, 28)), keras.layers.Dense(128, activation=tf.nn.relu), keras.layers.Dense(10, activation=tf.nn.softmax) ]) # 损失函数、优化器、指标 model.compile(optimizer=tf.train.AdamOptimizer(), loss='sparse_categorical_crossentropy', metrics=['accuracy']) # 将训练集丢进去，训练出模型(Model) model.fit(train_images, train_labels, epochs=5) # 将测试数据丢到模型中，评估一下得分(准确率) test_loss, test_acc = model.evaluate(test_images, test_labels) print('Test accuracy:', test_acc) # 评估完准确率以后，我们可以对测试数据进行预测 predictions = model.predict(test_images) # 选第一个样本预测后的得出最有可能结果 print(np.argmax(predictions[0])) # 对比结果 print(test_labels[0])跑出来的结果：
(后期注释：这是TensorFlow的版本)
1.12.0