为什么大家都想学习深度学习中的 TensorFlow，当我们深入到机器学习项目中时，我们使用“sklearn”库，当我们谈到深度神经网络时，TensorFlow 就进入了画面。Anaconda 发行版对于预装库包的数据科学和机器学习来说是完美的，但是我们必须显式地安装 TensorFlow，因为它没有包含在 anaconda 发行版中。要下载 TensorFlow，请在 anaconda 提示符下编写以下命令，然后按 enter 键。
#command to install TensorFlow
pip install tensorflow
蟒蛇提示视图。作者的照片
TensorFlow 正在工作环境中安装软件包。照片作者
TensorFlow 是许多应用程序中深度计算过程的库，广泛用于深度神经网络。在知道张量是什么之前，先了解一些定义。
攀登者
- Scaler:它是一个单一的值，用它我们可以在张量秩为零的情况下完成许多计算任务。
矢量
- 向量:这些是张量秩为 1 的行或列中包含的值。
[数]矩阵
- 矩阵:它是张量秩为 2 的行列格式的向量的构成。
- 张量:它是矩阵或向量的组合。
sklearn 和 TensorFlow 都用于机器学习。我们知道谷歌有很好的算法和软件包用于机器，因为他们的大脑团队。他们正在进行机器学习项目，需要开发更快更好的编程方法，因此他们开发了 TensorFlow 供内部使用。2015 年，谷歌将 TensorFlow 作为开源软件发布。现在这个包用于神经网络，卷积神经网络等。TensorFlow 不仅使用 CPU 进行计算，还使用 GPU 和 TPU 来获得更快的速度和可靠性。Sklearn 库也可以做所有的机器学习算法，但是有一些限制。
TensorFlow 用于带有数据流图的计算过程。张量的工作流程如下所示，是我在实践中了解到的。
导入库
import tensorflow as tf
import numpy as np
生成数据
通常我们处理 CSV、excel 和其他文件。但是 TensorFlow 在 tensors 中使用文件格式。为此，我们将数据保存在(。npz)文件格式。可能是 NumPy 文件类型。在这个过程中，我们以张量格式保存输入和目标值。
np.savez('file_name, arrays)
这里数组是输入和输出值。File_name 是我们以张量文件格式保存的文件的名称。执行代码后，文件保存在。“npz”文件格式。
张量流对象
我们需要在变量中指定输入和目标的大小。输入和输出是我们在数据生成中使用的列数。
TensorFlow 在我们用来保存值的对象上工作。
- 占位符: 它用来插入输入的尺寸和目标。
input = tf.placeholder(tf.float32,[none, input_size])
target = tf.placeholder(tf.float32,[none, output_size])
这些输入和目标是我们保存为'的值。“npz”文件格式。Float32 用于传输 32 位数据。
2。 变量: 用于插入权重和偏差值。变量能够保存值，而迭代和占位符则不能。现在，我们必须用权重乘法来求解图层的方程
y = wx + b
y1 = tf.matmul(input, weight) + bais
matmul 用于将括号中的两个值相乘，作为张量中的点积。
目标函数
它被用作损失函数，我们必须用它来优化我们的算法。例如，回归的损失函数是 L-2 范数损失。本库的 L-2 范数损失为均方损失。
loss = tf.losses.mean_squared_error(labels, predictions)
优化
优化是用来得到最小值，这样误差会更小。我们在这个过程中设置学习率值，一般大多数时候是梯度下降优化器。
optimization = tf.train.GradientDescentOptimizer(learning rate).loss
会话
在 TensorFlow 中，执行发生在这些会话中。
sessions = tf.InteractiveSession()
初始化
它用于初始化会话。变量已在会话运行方法中初始化。
intializer = ()
sess.run(initializer)
训练数据加载
用于训练的数据来自保存的文件，我们将其保存为。npz '文件格式为张量。
np.load(file)
纪元
这是一个从数据训练到执行的完整循环。我们将使用这个术语，而不是迭代。为此，我们可以使用 For 循环从优化和损失中获得损失函数值。优化不会带来任何价值，但损失会带来。
结论
TensorFlow 是一个非常好的处理深度神经网络的软件包。使用 TensorFlow 使代码长度最小化。