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,通过pip安装tensorflow总是莫名奇妙出错,只能祭出docker大法。用docker的话只要一个镜像就可以运行,没有其他依赖。

docker安装tensorflow

1. 安装 docker

$ sudo apt install docker.io

2. 将用户加入到docker组中,这样不需要sudo就可以运行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)

如果因为网络问题,无法通过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服务创建一个内嵌的systemd目录
$ mkdir -p /etc/systemd/system/docker.service.d
  • 创建/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]分别改成实际情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]/"
  • 如果还有内部的不需要使用代理来访问的Docker registries,需要指定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

当我们开始学习编程的时候,第一件事往往是学习打印"Hello World"。就好比编程入门有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,它包含各种手写数字图片。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,之后的tensorflow通过这两个占位符输入正确数。x代表图片信息,因为图片为28x28像素(28x28=784),None表示任意数量。y_表示图片代表的数字,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)
  • 通过梯度下降算法训练模型。cross_entropy表示交叉熵,这里用来衡量模型的误差,交叉熵越小表示模型与训练数据的误差越小。y_为输入的实际分布,y为预测的概率分布。 GradientDescentOptimizer如果了解机器学习算法的话应该很熟悉, 表示用梯度下降算法进行训练,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,每次通过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})
  • 通过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,通过python test.py运行
# cd /tensorflow
# python test.py

识别的准确率在91%左右。可以试着减少或者增加模型训练的循环次数,再比较识别的准确率。可以发现循环超过100次后,仅靠增加循环字数并不能增加识别的准确率。

comments powered by Disqus