快捷導(dǎo)航

TensorFlow?環(huán)境搭建的實(shí)現(xiàn)示例

更新時間：2025年08月20日 08:28:00 作者：usaccn

本文介紹了TensorFlow環(huán)境搭建與使用小結(jié),文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

安裝 Python 和虛擬環(huán)境

確保系統(tǒng)已安裝 Python 3.7 或更高版本。推薦使用虛擬環(huán)境隔離依賴項(xiàng)。

python -m venv tf_env
source tf_env/bin/activate  # Linux/macOS
tf_env\Scripts\activate     # Windows

安裝 TensorFlow

使用 pip 安裝最新穩(wěn)定版 TensorFlow：

pip install tensorflow

如需 GPU 支持，安裝包含 CUDA 和 cuDNN 的版本：

pip install tensorflow-gpu

驗(yàn)證安裝

運(yùn)行以下代碼檢查 TensorFlow 是否正常工作：

import tensorflow as tf
print(tf.__version__)
print(tf.config.list_physical_devices('GPU'))  # 檢查 GPU 是否可用

基礎(chǔ)示例：線性回歸

以下代碼演示如何用 TensorFlow 實(shí)現(xiàn)簡單線性回歸：

import numpy as np
import tensorflow as tf

# 生成模擬數(shù)據(jù)
X = np.linspace(0, 10, 100)
y = 2 * X + 1 + np.random.randn(100) * 2

# 定義模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(units=1, input_shape=[1])
])

# 編譯模型
model.compile(optimizer='sgd', loss='mean_squared_error')

# 訓(xùn)練模型
model.fit(X, y, epochs=100, verbose=0)

# 預(yù)測結(jié)果
print(model.predict([7.0]))  # 輸出接近 15

使用 GPU 加速

確保系統(tǒng)已正確安裝 NVIDIA 驅(qū)動和 CUDA 工具包。通過以下代碼驗(yàn)證 GPU 是否啟用：

tf.debugging.set_log_device_placement(True)
with tf.device('/GPU:0'):
    a = tf.constant([[1.0, 2.0], [3.0, 4.0]])
    b = tf.constant([[5.0, 6.0], [7.0, 8.0]])
    c = tf.matmul(a, b)
print(c)

進(jìn)階示例：MNIST 分類

以下代碼展示如何使用卷積神經(jīng)網(wǎng)絡(luò)處理 MNIST 數(shù)據(jù)集：

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

model = tf.keras.Sequential([
    tf.keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(28,28,1)),
    tf.keras.layers.MaxPooling2D((2,2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10)
])

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

model.fit(X_train[..., tf.newaxis], y_train, epochs=5)
model.evaluate(X_test[..., tf.newaxis], y_test, verbose=2)