tensorflow-gpu 安装

windows

在 wsl2 上 使用 tensorflow-gpu

  • 参考

  • windows 端：

  • wsl2 端：

    • 安装 cuda

      1
2
3
4
5
6
7

      # * 注意 ubuntu 版本
apt-key adv --fetch-keys http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/7fa2af80.pub
sh -c 'echo "deb http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64 /" > /etc/apt/sources.list.d/cuda.list'

sudo apt-key adv --fetch-keys http://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/7fa2af80.pub
sudo sh -c 'echo "deb http://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64 /" > /etc/apt/sources.list.d/cuda.list'
sudo apt-get update && sudo apt-get install -y cuda-toolkit-11-0

    • 运行程序

      • 普通 cuda 支持的程序
      • 在 docker 中 运行

测试是否安装成功

  • 即，是否能够使用 gpu

    1

    import tensorflow as tf; tf.test.gpu_device_name()

python + tensorflow

1

conda install cudatoolkit cudnn tensorflow

创建变量

  • 构建张量

     1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20

    tf.zeros([2,3])

# * 1 维： 2
# * 2 维： [2, 3]
# * ...

tf.ones()
tf.fill()

tf.random.normal()
tf.random.truncated_normal()  # 2sigma


# * 类型转换
tf.cast()
# * 计算最值
tf.reduce_min()
tf.reduce_max()
# * 求和
tf.sum()

  • 标记变量

    • tf.Variable()

      • 标记为可训练，以实现可以被训练更新

axis 指定

  • 0 –> 不同行，即：同一列

  • 1 –> 不同列，即：同一行

    1

    tf.reduce_max(name, axis=0)

数学运算

  • 四则运算

    • 加：tf.add
    • 减：tf.substract
    • 乘：tf.multiply
    • 除：tf.divide

    • 注意

      • 需要变量的维度相同

  • 幂

    • tf.square
    • tf.pow
    • tf.sqrt

  • 矩阵乘法

    • tf.matmul

  • 特殊功能

    • i–

      • tf.assign_sub
    • 注意：必须是 tf.Variable 标记了的变量

    • argmax

      • tf.argmax

      • 类似 numpy argmax

        • 指定维度最值

特征—-标签配对

1

tf.data.Dataset.from_tensor_slices((features, labels))

求导

1
2
3
4
5
6

with tf.GradientTap() as tap:
    # ... 计算过程（损失函数）
    pass
    grad = tap.gradient(loss, w)
    # loss --> 损失函数
    # w --> 对谁求导

独热码

  • tf.one_hot(labels, deps=分类数)

    1
2
3
4
5
6
7

    classes = 3
labels = tf.Contant([1, 0, 2])
output = tf.one_hot(labels, deps=classes)
# output:
[[0, 1, 0],
 [1, 0, 0],
 [0, 0, 1]]

  • 作用

    • 原来—> 一个数，不同数值表示不同分类
    • 转换成 –> 一个向量，表示使用 0 和 1 分类

输出函数

  • tf.nn.softmax

  • 作用

    • 转换成概率分布

      1

      e^y_given / sum(e^y_i)

训练集

  • 从 sklearn.dataset 获取

    1
2
3

    from sklearn.datasets import load_iris
x_data = load_iris().data  # feature
y_data = load_iris().target # label