第一个tensorflow程序

使用docker镜像运行一个tensorflow的Hello World项目。

安装了ubuntu 18.04后，经过pip安装tensorflow老是莫名奇妙出错，只能祭出docker大法。用docker的话只要一个镜像就能够运行，没有其余依赖。

docker安装tensorflow

1. 安装 docker

$ sudo apt install docker.io

2. 将用户加入到docker组中，这样不须要sudo就能够运行docker镜像

$ sudo usermod -a -G docker $HOME
$ sudo systemctl restart docker

3. 测试安装成功

$ docker run hello-world

4. docker使用代理(可选)

若是由于网络问题，没法经过docker pull拉取镜像，可尝试使用代理。 docker使用代理的方式见官方文档

• 为docker服务建立一个内嵌的systemd目录

$ mkdir -p /etc/systemd/system/docker.service.d

• 建立/etc/systemd/system/docker.service.d/http-proxy.conf文件，并添加HTTP_PROXY环境变量。其中[proxy-addr]和[proxy-port]分别改为实际状况的代理地址和端口：

[Service]
Environment="HTTP_PROXY=http://[proxy-addr]:[proxy-port]/" "HTTPS_PROXY=https://[proxy-addr]:[proxy-port]/"

• 若是还有内部的不须要使用代理来访问的Docker registries，须要指定NO_PROXY环境变量：

[Service]
Environment="HTTP_PROXY=http://[proxy-addr]:[proxy-port]/" "HTTPS_PROXY=https://[proxy-addr]:[proxy-port]/" "NO_PROXY=localhost,127.0.0.1,docker-registry.somecorporation.com"

• 更新配置：

$ systemctl daemon-reload

• 重启Docker服务：

$ systemctl restart docker

5. 拉取tensorflow镜像

$ docker pull tensorflow/tensorflow

这里拉取镜像可能时间会比较长。

利用MNIST数据集识别手写图片

当咱们开始学习编程的时候，第一件事每每是学习打印"Hello World"。就比如编程入门有Hello World，机器学习入门有MNIST。MNIST是一个入门级的计算机视觉数据集，它包含各类手写数字图片。这里将训练一个机器学习模型用于预测图片里面的数字。此范例来自MNIST机器学习入门。

• 拉取MNIST数据集，包括了训练模型的数据和测试数据集，镜像中的已经安装了inout_data模块，调用read_data_sets会自动下载导入数据集)。

import tensorflow.examples.tutorials.mnist.input_data as input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

• 导入tensorflow包

import tensorflow as tf

• 定义x和y_两个占位符，以后的tensorflow经过这两个占位符输入正确数。x表明图片信息，由于图片为28x28像素(28x28=784)，None表示任意数量。y_表示图片表明的数字，有0-9共10个数字。

x = tf.placeholder(tf.float32, [None, 784])
y_ = tf.placeholder("float", [None,10])

• 定义softmax回归模型，W和b是两个变量

W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x,W) + b)

• 经过梯度降低算法训练模型。cross_entropy表示交叉熵，这里用来衡量模型的偏差，交叉熵越小表示模型与训练数据的偏差越小。y_为输入的实际分布，y为预测的几率分布。 GradientDescentOptimizer若是了解机器学习算法的话应该很熟悉， 表示用梯度降低算法进行训练，学习速率为0.01，目的是使cross_entropy最小。

cross_entropy = -tf.reduce_sum(y_*tf.log(y))
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

• 启动模型，每次经过mnist.train.next_batch从数据集中取100条数据进行模型训练，循环1000次

init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)

for i in range(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

• 经过MNIST的测试集测试模型识别的准确率

correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
print sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})

docker中运行

• 在本机新建一个文件夹，这里命名tensorflow，将上面的代码写入到文件夹下的test.py中

$ mkdir tensorflow
$ vim tensorflow/test.py

• 启动docker，将tensorflow文件夹以虚拟卷方式挂载到docker实例中

$ docker run -it -v $PWD/tensorflow:/tensorflow tensorflow/tensorflow /bin/bash

• 此时当前终端在docker实例中，经过python test.py运行

# cd /tensorflow
# python test.py

识别的准确率在91%左右。能够试着减小或者增长模型训练的循环次数，再比较识别的准确率。能够发现循环超过100次后，仅靠增长循环字数并不能增长识别的准确率。