Python深度学习如何上手？TensorFlow教程-Python教程-PHP中文网

Python深度学习如何上手？TensorFlow教程

蓮花仙者

发布： 2025-08-14 16:53:02

原创

709人浏览过

tensorflow上手python 深度学习的关键在于从基础入手并逐步深入。1. 安装时需注意python版本兼容性、使用虚拟环境并正确安装依赖；2. 掌握张量、变量、计算图和会话等核心概念并通过简单代码理解执行流程；3. 通过mnist手写数字识别项目熟悉模型构建、训练和评估流程；4. 进阶学习可尝试自定义层和模型以实现更灵活的结构；5. 持续学习官方文档、参与社区和项目实践以提升实战能力。

Python深度学习如何上手？TensorFlow教程

TensorFlow上手Python深度学习，其实没那么玄乎。关键在于找到合适的切入点，别一开始就想着构建惊天动地的模型。从小处着手，逐步深入，是王道。

先从基础的TensorFlow API开始，然后逐步过渡到更复杂的模型构建。

TensorFlow上手Python深度学习，可以从以下几个方面入手：

立即学习“Python免费学习笔记（深入）”；

TensorFlow安装避坑指南：新手常犯的错误

安装TensorFlow，看似简单，实则坑不少。最常见的问题就是版本不兼容。比如，你的Python版本是3.10，但TensorFlow只支持到3.9，那肯定报错。

解决方案：

确认Python版本： 在终端输入
```
python --version
```
登录后复制
，查看你的Python版本。
选择合适的TensorFlow版本： 访问TensorFlow官网，查看不同Python版本对应的TensorFlow版本。通常，建议使用最新稳定版。

使用虚拟环境： 这是最重要的！使用

venv

登录后复制

或

conda

登录后复制

创建独立的虚拟环境，避免不同项目之间的依赖冲突。

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

# 使用conda
conda create -n myenv python=3.9
conda activate myenv

登录后复制

安装TensorFlow： 在激活的虚拟环境中，使用
```
pip
```
登录后复制
安装。
```
pip install tensorflow
```
登录后复制
如果需要GPU支持，安装
```
tensorflow-gpu
```
登录后复制
（注意，需要提前安装CUDA和cuDNN）。现在推荐直接安装
```
tensorflow
```
登录后复制
，TensorFlow会自动处理GPU支持。
验证安装： 在Python交互式环境中，输入以下代码：
```
import tensorflow as tf
print(tf.__version__)
```
登录后复制
如果成功输出TensorFlow版本号，说明安装成功。

常见错误：

忘记激活虚拟环境
Python版本不兼容
pip版本过低（尝试
```
pip install --upgrade pip
```
登录后复制
）
网络问题导致下载失败

掌握TensorFlow核心概念：从张量到计算图

TensorFlow的核心概念包括张量（Tensor）、变量（Variable）、计算图（Graph）和会话（Session）。理解这些概念是掌握TensorFlow的基础。

张量（Tensor）： TensorFlow的基本数据单元，可以看作是多维数组。
变量（Variable）： 用于存储模型参数，在训练过程中不断更新。
计算图（Graph）： 定义计算流程的图结构，包含节点（操作）和边（数据流）。
会话（Session）： 执行计算图的环境，负责分配资源和执行操作。

代码示例：

import tensorflow as tf

# 创建常量张量
a = tf.constant(2)
b = tf.constant(3)

# 创建变量张量
x = tf.Variable(5)

# 定义操作
add = tf.add(a, b)
multiply = tf.multiply(add, x)

# 创建会话并执行计算图
with tf.compat.v1.Session() as sess: # 使用tf.compat.v1.Session()
    # 初始化变量
    sess.run(tf.compat.v1.global_variables_initializer()) # 使用tf.compat.v1.global_variables_initializer()
    # 执行操作并获取结果
    result = sess.run(multiply)
    print(result)  # 输出 25

登录后复制

解释：

```
tf.constant()
```
登录后复制
创建常量张量，其值在计算过程中不会改变。
```
tf.Variable()
```
登录后复制
创建变量张量，其值可以在训练过程中更新。
```
tf.add()
```
登录后复制
和
```
tf.multiply()
```
登录后复制
定义加法和乘法操作。
```
tf.compat.v1.Session()
```
登录后复制
创建一个会话，用于执行计算图。

sess.run(tf.compat.v1.global_variables_initializer())

登录后复制

初始化所有变量。

```
sess.run(multiply)
```
登录后复制
执行乘法操作，并返回结果。

注意事项：

今天学点啥

秘塔AI推出的AI学习助手

258

查看详情

TensorFlow 2.x 默认使用 Eager Execution，不需要显式创建会话。但理解会话的概念仍然很重要。
在TensorFlow 2.x中，变量的初始化通常在定义时进行。

从经典模型入手：MNIST手写数字识别

MNIST手写数字识别是深度学习的“Hello World”项目。通过这个项目，可以快速了解TensorFlow的基本用法和模型构建流程。

步骤：

加载数据： 使用

tf.keras.datasets.mnist.load_data()

登录后复制

加载MNIST数据集。

(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()

登录后复制

数据预处理： 将图像数据归一化到0-1之间，并将标签转换为one-hot编码。

x_train = x_train.astype('float32') / 255.0
x_test = x_test.astype('float32') / 255.0

y_train = tf.keras.utils.to_categorical(y_train, num_classes=10)
y_test = tf.keras.utils.to_categorical(y_test, num_classes=10)

登录后复制

构建模型： 使用

tf.keras.models.Sequential

登录后复制

构建一个简单的神经网络模型。

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

登录后复制

编译模型： 指定优化器、损失函数和评估指标。

model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

登录后复制

训练模型： 使用
```
model.fit()
```
登录后复制
训练模型。
```
model.fit(x_train, y_train, epochs=5, batch_size=32)
```
登录后复制

评估模型： 使用

model.evaluate()

登录后复制

评估模型在测试集上的性能。

loss, accuracy = model.evaluate(x_test, y_test)
print('Test accuracy:', accuracy)

登录后复制

关键点：

理解每一层的作用：
```
Flatten
```
登录后复制
层将2D图像转换为1D向量，
```
Dense
```
登录后复制
层是全连接层，
```
relu
```
登录后复制
和
```
softmax
```
登录后复制
是激活函数。
选择合适的优化器和损失函数：
```
adam
```
登录后复制
是一个常用的优化器，
```
categorical_crossentropy
```
登录后复制
适用于多分类问题。
调整超参数：
```
epochs
```
登录后复制
和
```
batch_size
```
登录后复制
是训练过程中的重要超参数，需要根据实际情况进行调整。

深入理解TensorFlow高级特性：自定义层和模型

掌握了基本模型构建后，可以尝试使用TensorFlow的高级特性，例如自定义层和模型。

自定义层：

class MyDenseLayer(tf.keras.layers.Layer):
    def __init__(self, units, activation=None):
        super(MyDenseLayer, self).__init__()
        self.units = units
        self.activation = tf.keras.activations.get(activation)

    def build(self, input_shape):
        self.w = self.add_weight(shape=(input_shape[-1], self.units),
                                  initializer='random_normal',
                                  trainable=True)
        self.b = self.add_weight(shape=(self.units,),
                                  initializer='zeros',
                                  trainable=True)

    def call(self, inputs):
        linear_output = tf.matmul(inputs, self.w) + self.b
        if self.activation is not None:
            return self.activation(linear_output)
        return linear_output

登录后复制

解释：

```
MyDenseLayer
```
登录后复制
继承自
```
tf.keras.layers.Layer
```
登录后复制
。
```
__init__()
```
登录后复制
方法定义层的参数，例如单元数和激活函数。
```
build()
```
登录后复制
方法创建层的权重和偏置。
```
call()
```
登录后复制
方法定义层的前向传播逻辑。

自定义模型：

class MyModel(tf.keras.Model):
    def __init__(self, num_classes=10):
        super(MyModel, self).__init__()
        self.dense1 = MyDenseLayer(128, activation='relu')
        self.dense2 = MyDenseLayer(num_classes, activation='softmax')

    def call(self, inputs):
        x = self.dense1(inputs)
        return self.dense2(x)

登录后复制

解释：

```
MyModel
```
登录后复制
继承自
```
tf.keras.Model
```
登录后复制
。
```
__init__()
```
登录后复制
方法定义模型的层。
```
call()
```
登录后复制
方法定义模型的前向传播逻辑。

使用自定义层和模型：

model = MyModel()
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])
model.fit(x_train, y_train, epochs=5, batch_size=32)

登录后复制

好处：