Tensorflow入门（1）——深度学习框架Tesnsflow入门 & 环境配置 & 认识Tensorflow

小鱼儿 2023-10-13 11:06 79阅读 0赞

#### 目录 ####

*  一、环境配置
 *   *  1.Anaconda以及Tensorflow的安装
     *  2.CONDA环境安装
     *  3.测试是否成功
 *  二、认识TensorFlow
 *   *  1.图 Graph()
     *  2.会话 Session()
     *  3.张量 Tensor
     *   *  （1）张量的形状
         *  （2）数据类型
         *  张量的动态形状与静态形状
     *  4.张量操作
     *   *  （1）生成张量
         *  （2）张量变换
     *  5.变量OP——模型参数
     *   *  作用域——使得代码图清晰
         *  增加变量显示——观察变化
     *  6.事件文件与可视化
     *   *  1.在保存的事件文件所在的文件中输入 cmd
         *  2.依次输输入
         *  3.火狐浏览器打开
     *  案例：线性回归
     *   *  版本一：trainable参数
         *  版本2：变量作用域
         *  版本3：增加变量显示
     *  7.模型保存和加载
     *   *  版本4：加载之前训练好的模型
     *  8.自定义命令行参数

--------------------

## 一、环境配置 ##

### 1.Anaconda以及Tensorflow的安装 ###

1.anaconda以及Tensorflow的安装：  
[https://blog.csdn.net/qq\_33505204/article/details/81584257][https_blog.csdn.net_qq_33505204_article_details_81584257]  
2.Anaconda详细安装及使用教程：  
[https://blog.csdn.net/ITLearnHall/article/details/81708148][https_blog.csdn.net_ITLearnHall_article_details_81708148]  
3.windows平台下，TensorFlow的安装、卸载以及遇到的各种错误：  
[https://blog.csdn.net/qq\_27245699/article/details/81050035][https_blog.csdn.net_qq_27245699_article_details_81050035]

![在这里插入图片描述][b3229fd7500d4f239099bfe09ec988df.png]

### 2.CONDA环境安装 ###

> CONDA环境安装：  
> conda : data science package & environment manager  
> 创建环境:conda create --name python3 python=3  
> 切换环境:  
> windows :activate python3  
> linux/macos : source activate python3  
> 官方地址: [https://www.anaconda.com/download/][https_www.anaconda.com_download]

![在这里插入图片描述][2e8e74c0a35644b09837865bba106a4a.png]

### 3.测试是否成功 ###

![在这里插入图片描述][8ed46b90a9aa49b1b75abcb6c4e2bd27.png]

import tensorflow as tf
    hello=tf.constant('hello')
    sess=tf.Session()
    print(sess.run(hello))
    
    from keras import backend
    print(backend._BACKEND)

常用命令

> 显示环境 conda info --envs  
> 进入环境 activate tensorflow  
> pip uninstall keras  
> pip uninstall keras-preprocessing -y  
> pip install keras

## 二、认识TensorFlow ##

tensor: 张量  
operation:(op): 专⻔门运算的操作节点，所有操作都是⼀个op  
图：graph:你的整个程序的结构  
会话：运算程序的图

import tensorflow as tf
    ############ 去除警告
    import os
    os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
    # 实现一个加法运算
    a = tf.constant(5.0)
    b = tf.constant(6.0)
    sum1 = tf.add(a, b)
    
    with tf.Session() as sess:
        print(sess.run(sum1))

![在这里插入图片描述][18bbae31729e4bfc816c0256fb8c761f.png]

### 1.图 Graph() ###

图默认已经注册，一组表示 tf.Operation计算单位的对象和tf.Tensor  
表示操作之间流动的数据单元的对象

获取调用：

*  tf.get\_default\_graph()
 *  op、sess或者tensor 的graph属性

创建图：

*  tf.Graph() ：使用新创建的图

import tensorflow as tf
    ############ 去除警告
    import os
    os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
    # 创建一张图，上下文环境
    # 图包含了一组op和tensor
    # op:只要使用tensorflow的API定义的函数都是OP
    # tensor：就指代的是数据
    g = tf.Graph()
    
    print(g)
    with g.as_default():
        c = tf.constant(11.0)
        print(c.graph)
    
    # 实现一个加法运算
    a = tf.constant(5.0)
    b = tf.constant(6.0)
    sum1 = tf.add(a, b)
    
    # 默认的这张图，相当于是给程序分配一段内存
    graph = tf.get_default_graph()
    print(graph)
    #只能运行一个图
    with tf.Session() as sess:
        print(sess.run(sum1))
        print(a.graph)
        print(sum1.graph)

![在这里插入图片描述][7fb5efff71514056a512aa4b0cb721bc.png]

### 2.会话 Session() ###

![在这里插入图片描述][8822e01af5554004972c0252109917d0.png]  
![在这里插入图片描述][64d04d1d1afe4f3b90110003896f6aec.png]

> • tf.Session()  
> 运行TensorFlow操作图的类，使用默认注册的图（可以指定运行图）  
> • 会话资源  
> 会话可能拥有很多资源，如 tf.Variable，tf.QueueBase  
> 和tf.ReaderBase，会话结束后需要进行资源释放
> 
> 1.  sess = tf.Session() sess.run(…) sess.close()
> 2.  使用上下文管理器  
>     with tf.Session() as sess:  
>     sess.run(…)  
>     • config=tf.ConfigProto(log\_device\_placement=True)  
>     • 交互式：tf.InteractiveSession()

import tensorflow as tf
    ############ 去除警告
    import os
    os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
    # 创建一张图，上下文环境
    # 图包含了一组op和tensor
    # op:只要使用tensorflow的API定义的函数都是OP
    # tensor：就指代的是数据
    # 实现一个加法运算
    a = tf.constant(5.0)
    b = tf.constant(6.0)
    sum1 = tf.add(a, b)
    
    # 默认的这张图，相当于是给程序分配一段内存
    graph = tf.get_default_graph()
    print(graph)
    # 看出程序在哪里运行
    # 只要有上下文环境，就可以方便使用eval（）
    with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:
        print(sess.run(sum1))
        print(sum1.eval())
        print(a.graph)
        print(sum1.graph)

会话的run()方法

![在这里插入图片描述][bfcae342ac7f4494b4482f475bcf9ce8.png]

import tensorflow as tf
    ############ 去除警告
    import os
    os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
    # 创建一张图，上下文环境# 图包含了一组op和tensor
    # op:只要使用tensorflow的API定义的函数都是OP# tensor：就指代的是数据
    
    # 实现一个加法运算
    a = tf.constant(5.0)
    b = tf.constant(6.0)
    sum1 = tf.add(a, b)
    var1=3
    ## 有重载的机制,默认会给运算符重载成op类型
    sum2 = a + var1
    print(sum2)
    # 训练模型
    # 实时的提供数据去进行训练
    # placeholder是一个占位符,feed_dict一个字典
    plt = tf.placeholder(tf.float32, [2, 3])
    plt2=tf.placeholder(tf.float32,[None,3])
    print(plt)
    # 只要有上下文环境，就可以方便使用eval（）# 看出程序在哪里运行
    with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:
        print(sess.run([a,b,sum1,sum2]))
        print(sess.run(plt,feed_dict={
        plt:[[1, 2, 3], [4, 5, 36]]}))
        print(sess.run(plt2, feed_dict={
        plt2: [[1, 2, 3], [4, 5, 36],[3,4,6]]}))
        print(sum1.eval())#输出结果
        print(a.graph)
        print(sum1.graph)

Tensorflow Feed操作  
意义：在程序执行的时候,不确定输入的是什么，提前“占个坑”  
语法：placeholder提供占位符，run时候通过feed\_dict指定参数

### 3.张量 Tensor ###

要点：  
• Tensorflow基本的数据格式  
• 一个类型化的N维度数组（tf.Tensor）  
• 三部分，名字，形状，数据类型

#### （1）张量的形状 ####

![在这里插入图片描述][71b5716953d6456d86069e377b0d29f1.png]

#### （2）数据类型 ####

![在这里插入图片描述][b97333085345483bbeb3e02006b07e81.png]

张量属性：  
• graph 张量所属的默认图  
• op 张量的操作名  
• name 张量的字符串描述  
• shape 张量形状

with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:
        print(sess.run([a,b,sum1,sum2]))
        print(sess.run(plt,feed_dict={
        plt:[[1, 2, 3], [4, 5, 36]]}))
        print(sess.run(plt2, feed_dict={
        plt2: [[1, 2, 3], [4, 5, 36],[3,4,6]]}))
        print(sum1.eval())#输出结果
        print(a.graph)
        print(a.shape)
        print(a.name)
        print(a.op)

#### 张量的动态形状与静态形状 ####

![在这里插入图片描述][987d6eb2731245bc95fc62de8b514242.png]

import tensorflow as tf
    ############ 去除警告
    import os
    os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
    #tensorflow中的形状：
    # 0维:()   1维：(5)   2维：(5,6)  3维：（2，3，4）2张3行4列的表
    # 形状的概念
    # 静态形状和动态性状
    # 对于静态形状来说，一旦张量形状固定了，不能再次设置静态形状, 不能夸维度修改 1D->1D 2D->2D
    # 动态形状可以去创建一个新的张量,改变时候一定要注意元素数量要匹配  1D->2D  1->3D
    
    plt=tf.placeholder(tf.float32,[None,2])
    print(plt)
    plt.set_shape([3,2])
    print(plt)
    
    plt_reshape=tf.reshape(plt,[2,3])
    print(plt_reshape)
    with tf.Session() as sess:
        pass

1、转换静态形状的时候，1-D到1-D，2-D到2-D，不能跨阶数改变形状  
2、对于已经固定或者设置静态形状的张量／变量，不能再次设置静态形状  
3、tf.reshape()动态创建新张量时，元素个数不能不匹配

### 4.张量操作 ###

#### （1）生成张量 ####

![在这里插入图片描述][3e55283d64264f1ba86448b4a3a92e2e.png]  
![在这里插入图片描述][9919b4bc80b64bd7ad857b1e45add750.png]  
![在这里插入图片描述][ec447e165e3042f4889f50fbd7bec7df.png]

#### （2）张量变换 ####

![在这里插入图片描述][51447270b0db4812b1393c717ded5930.png]  
![在这里插入图片描述][941df6291f4c40289339682512324dd2.png]  
切片与扩展  
tf.concat(values, axis, name=‘concat’)

• 算术运算符  
• 基本数学函数  
• 矩阵运算  
• 减少维度的运算(求均值)  
• 序列运算

### 5.变量OP——模型参数 ###

• 变量也是一种OP，是一种特殊的张量，能够进行存储持久化，它的值就是张量

![在这里插入图片描述][973eade7353d4ad9be9a9db4096b90c6.png]  
变量的初始化

> tf.global\_variables\_initializer() 添加一个初始化所有变量的op，在会话中开启

import tensorflow as tf
    ############ 去除警告
    import os
    os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
    a=tf.constant([1,2,3,4])
    var = tf.Variable(tf.random_normal([2,3],mean=0,stddev=1.0))
    print(a,var)
    #必须做一个显示的初始化
    init_op=tf.global_variables_initializer()
    with tf.Session() as sess:
        #必须运行初始化op
        sess.run(init_op)
        print(sess.run([a,var]))
        pass
    # 变量op
    # 1、变量op能够持久化保存，普通张量op是不行的
    # 2、当定义一个变量op的时候，一定要在会话当中去运行初始化
    # 3、name参数：在tensorboard使用的时候显示名字，可以让相同op名字的进行区分

#### 作用域——使得代码图清晰 ####

![在这里插入图片描述][9db30a7690974d479bb33949e21e5c23.png]

> tf.variable\_scope(<scope\_name>)  
> 创建指定名字的变量作用域  
> 观察变量的name改变？  
>   
> 嵌套使用变量作用域  
> 观察变量的name改变？

tensorflow变量作用域的作用：  
• 让模型代码更加清晰，作用分明

#### 增加变量显示——观察变化 ####

1.收集变量  
tf.summary.scalar( name =” ”, tensor )  
收集对于损失函数和准确率等单值变量，name为变量名字，tensor为值  
tf.summary.histogram( name =” ”, tensor )  
收集高纬度的变量参数  
tf.summary.image( name =” ”, tensor )  
收集输入的图片，张量能显示图片  
2.合并变量，写入事件文件  
merged = tf.summary.merge\_all( )  
运行合并：summary = sess.run( merged ) 每次迭代都需要运行  
添加： filewriter.add\_summary(summary,i) i表示第几次的值

目的：  
观察模型的参数，损失等变量值的变化

### 6.事件文件与可视化 ###

![在这里插入图片描述][1f03ab172aa842e7b027dc5553d89e88.png]  
![在这里插入图片描述][94a1c2e70c66487e9df8a8407dfa11cb.png]

> 数据序列化-events文件  
> TensorBoard 通过读取 TensorFlow 的事件文件来运行  
>   
> tf.summary.FileWriter(‘/tmp/tensorflow/summary/test/’, graph=default\_graph)  
> 返回filewriter,写入事件文件到指定目录(最好用绝对路径)，以提供给tensorboard使用  
>   
> 开启  
> Tensorboard --logdir=”./tmp/tensorflow/summary/test/”  
> 一般浏览器打开为127.0.0.1:6006  
>   
> 注：修改程序后，再保存一遍会有新的事件文件，打开默认为最新

![在这里插入图片描述][0366945abaf1453f9c0bef2b45376e1e.png]

import tensorflow as tf
    ############ 去除警告
    import os
    os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
    a=tf.constant([1,2,3,4])
    var = tf.Variable(tf.random_normal([2,3],mean=0,stddev=1.0))
    print(a,var)
    #必须做一个显示的初始化
    init_op=tf.global_variables_initializer()
    with tf.Session() as sess:
        #必须运行初始化op
        sess.run(init_op)
        # 把程序的图结构写入事件文件，graph：把指定的图写进事件文件当中
        filewriter=tf.summary.FileWriter('./py_tensflow/', graph=sess.graph)
        pass

> Tensorboard --logdir=” F:/python/py\_tensflow/”  
> 文件路径 ，没有名字

#### 1.在保存的事件文件所在的文件中输入 cmd ####

![在这里插入图片描述][649c4c4d987d4bb1b8c9db15b67fc2a5.png]  
![在这里插入图片描述][6993ae568f0a4588ac406a958970c955.png]

#### 2.依次输输入 ####

conda info --envs
    activate tensorflow
    Tensorboard --logdir=" F:/python/py_tensflow/"

#### 3.火狐浏览器打开 ####

历史记录中打开即可  
http://DESKTOP-PJDM5BE:6006

![在这里插入图片描述][94c337bd33a0431b986ebdb0c1a500b5.png]

### 案例：线性回归 ###

Tensorflow运算API

> 矩阵运算  
> 相乘 tf.matmul(x, w)  
> 平方 tf.square(error)  
> 均值 tf.reduce\_mean(error)

梯度下降API  
![在这里插入图片描述][bfa0b6e990ed4b3c9cf88e501d8ec3a6.png]

tf.train.GradientDescentOptimizer(learning_rate)
    		梯度下降优化
    		learning_rate:学习率，一般为
    		method:
    		return:梯度下降op

#### 版本一：trainable参数 ####

\# trainable参数：指定这个变量能跟着梯度下降一起优化

import tensorflow as tf
    ############ 去除警告
    import os
    os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
    def myregre():
        '''
        自定义一个线性回归
        :return:None
        '''
        # 1.准备数据，x 特征值 （100，1） y 目标值（100）
        x=tf.random_normal([100,1],mean=1.75,stddev=0.5,name="x_data")
    
        # 矩阵相乘必须是二维的
        y_true=tf.matmul(x,[[0.7]])+0.8
    
        # 2.建立线性回归模型 1个权重，1个特征，1个偏置 y=x w + b
        # 随机给权重和偏置的，让他计算损失，然后在当前状态下优化
        # 用变量定义才能优化
        weight = tf.Variable(tf.random_normal([1,1],mean=0.0,stddev=1.0),name="w")
        bias = tf.Variable(0.0,name="b")
    
        y_predict=tf.matmul(x,weight)+bias
    
        # 建立损失函数，均方误差
        loss = tf.reduce_mean(tf.square(y_true-y_predict))
    
        # 4.梯度下降，优化损失 learning_rate 0~1,2,3,5,7
        train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
        # 定义一个初始化的 op
        init_op=tf.global_variables_initializer()
    
        # 通过会话运行程序
        with tf.Session() as sess:
            # 初始化变量
            sess.run(init_op)
            # 打印随机初始化的权重和偏置
            print("随机初始化的参数权重为： %f 偏置为： %f" % (weight.eval(),bias.eval()))
            # 循环训练 运行优化
            for i in range(200):
                sess.run(train_op)
                print("优化为： %f 偏置为： %f" % (weight.eval(), bias.eval()))
            pass
        return None
    
    if __name__ == '__main__':
        myregre()

#### 版本2：变量作用域 ####

import tensorflow as tf
    ############ 去除警告
    import os
    os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
    def myregre():
        '''
        自定义一个线性回归
        :return:None
        '''
        with tf.variable_scope("data"):
             # 1.准备数据，x 特征值 （100，1） y 目标值（100）
             x=tf.random_normal([100,1],mean=1.75,stddev=0.5,name="x_data")
             # 矩阵相乘必须是二维的
             y_true=tf.matmul(x,[[0.7]])+0.8
    
        with tf.variable_scope("model"):
            # 2.建立线性回归模型 1个权重，1个特征，1个偏置 y=x w + b
            # 随机给权重和偏置的，让他计算损失，然后在当前状态下优化
            # 用变量定义才能优化
            weight = tf.Variable(tf.random_normal([1,1],mean=0.0,stddev=1.0),name="w")
            bias = tf.Variable(0.0,name="b")
            y_predict=tf.matmul(x,weight)+bias
            
        with tf.variable_scope("loss"):
            # 建立损失函数，均方误差
            loss = tf.reduce_mean(tf.square(y_true-y_predict))
        with tf.variable_scope("optimizer"):
            # 4.梯度下降，优化损失 learning_rate 0~1,2,3,5,7
            train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
    
        # 定义一个初始化的 op
        init_op=tf.global_variables_initializer()
    
        # 通过会话运行程序
        with tf.Session() as sess:
            # 初始化变量
            sess.run(init_op)
            # 打印随机初始化的权重和偏置
            print("随机初始化的参数权重为： %f 偏置为： %f" % (weight.eval(),bias.eval()))
            # 建立事件文件
            filewriter = tf.summary.FileWriter('F:/python/py_tensflow/', graph=sess.graph)
    
            # 循环训练 运行优化
            for i in range(200):
                sess.run(train_op)
                print("优化为： %f 偏置为： %f" % (weight.eval(), bias.eval()))
            pass
        return None
    if __name__ == '__main__':
        myregre()

#### 版本3：增加变量显示 ####

import tensorflow as tf
    ############ 去除警告
    import os
    os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
    def myregre():
        '''
        自定义一个线性回归
        :return:None
        '''
        with tf.variable_scope("data"):
             # 1.准备数据，x 特征值 （100，1） y 目标值（100）
             x=tf.random_normal([100,1],mean=1.75,stddev=0.5,name="x_data")
             # 矩阵相乘必须是二维的
             y_true=tf.matmul(x,[[0.7]])+0.8
    
        with tf.variable_scope("model"):
            # 2.建立线性回归模型 1个权重，1个特征，1个偏置 y=x w + b
            # 随机给权重和偏置的，让他计算损失，然后在当前状态下优化
            # 用变量定义才能优化
            weight = tf.Variable(tf.random_normal([1,1],mean=0.0,stddev=1.0),name="w")
            bias = tf.Variable(0.0,name="b")
            y_predict=tf.matmul(x,weight)+bias
    
        with tf.variable_scope("loss"):
            # 建立损失函数，均方误差
            loss = tf.reduce_mean(tf.square(y_true-y_predict))
        with tf.variable_scope("optimizer"):
            # 4.梯度下降，优化损失 learning_rate 0~1,2,3,5,7
            train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
    
        # 1、收集tensor
        tf.summary.scalar("losses", loss)
        tf.summary.histogram("weights", weight)
        # 定义合并Tensor的op
        merged = tf.summary.merge_all()
    
        # 定义一个初始化的 op
        init_op=tf.global_variables_initializer()
        # 通过会话运行程序
        with tf.Session() as sess:
            # 初始化变量
            sess.run(init_op)
            # 打印随机初始化的权重和偏置
            print("随机初始化的参数权重为： %f 偏置为： %f" % (weight.eval(),bias.eval()))
            # 建立事件文件
            filewriter = tf.summary.FileWriter('F:/python/py_tensflow/', graph=sess.graph)
    
            # 循环训练 运行优化
            for i in range(200):
                sess.run(train_op)
                # 运行合并的tensor
                summary = sess.run(merged)
                filewriter.add_summary(summary,i)
                print("优化为： %f 偏置为： %f" % (weight.eval(), bias.eval()))
            pass
        return None
    
    if __name__ == '__main__':
        myregre()

### 7.模型保存和加载 ###

![在这里插入图片描述][b861f83981674e5aa77b0ce9d35581a7.png]

> tf.train.Saver(var\_list=None,max\_to\_keep=5)  
>   var\_list:指定将要保存和还原的变量。它可以作为一个dict或一个列表传递.  
>   max\_to\_keep：指示要保留的最近检查点文件的最大数量。  
>   创建新文件时，会删除较旧的文件。如果无或0，则保留所有检查点文件。默认为5（即保留最新的5个检查点文件。）

例如：saver.save(sess, ‘/tmp/ckpt/test/model’) 路径+名字  
  saver.restore(sess, ‘/tmp/ckpt/test/model’)  
保存文件格式：checkpoint文件

#### 版本4：加载之前训练好的模型 ####

import tensorflow as tf
    import os
    os.environ["TF_CPP_MIN_LOG_LEVEL"]="2"
    def myregre():
        '''
        自定义一个线性回归
        :return:None
        '''
        with tf.variable_scope("data"):
             # 1.准备数据，x 特征值 （100，1） y 目标值（100）
             x=tf.random_normal([100,1],mean=1.75,stddev=0.5,name="x_data")
             # 矩阵相乘必须是二维的
             y_true=tf.matmul(x,[[0.7]])+0.8
    
        with tf.variable_scope("model"):
            # 2.建立线性回归模型 1个权重，1个特征，1个偏置 y=x w + b
            # 随机给权重和偏置的，让他计算损失，然后在当前状态下优化
            # 用变量定义才能优化
            weight = tf.Variable(tf.random_normal([1,1],mean=0.0,stddev=1.0),name="w")
            bias = tf.Variable(0.0,name="b")
            y_predict=tf.matmul(x,weight)+bias
    
        with tf.variable_scope("loss"):
            # 建立损失函数，均方误差
            loss = tf.reduce_mean(tf.square(y_true-y_predict))
        with tf.variable_scope("optimizer"):
            # 4.梯度下降，优化损失 learning_rate 0~1,2,3,5,7
            train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
    
        # 1、收集tensor
        tf.summary.scalar("losses", loss)
        tf.summary.histogram("weights", weight)
        # 定义合并Tensor的op
        merged = tf.summary.merge_all()
        
        # 定义一个初始化的 op
        init_op=tf.global_variables_initializer()
    
        # 定义一个保存模型的实例
        saver = tf.train.Saver()
    
        # 通过会话运行程序
            # 通过会话运行程序
        with tf.Session() as sess:
            # 初始化变量
            sess.run(init_op)
            # 打印随机初始化的权重和偏置
            print("随机初始化的参数权重为： %f 偏置为： %f" % (weight.eval(),bias.eval()))
            # 建立事件文件
            filewriter = tf.summary.FileWriter('F:/python/py_tensflow/', graph=sess.graph)
            # 加载模型 ，覆盖模型当中随机定义的参数，从上次训练的参数结果开始
            if os.path.exists("./py_tensflow/check_file/checkpoint"):
                 saver.restore(sess,"F:\python\py_tensflow\check_file\model1")
            # 循环训练 运行优化
            for i in range(200):
                sess.run(train_op)
                # 运行合并的tensor
                summary = sess.run(merged)
                filewriter.add_summary(summary,i)
    
                print("优化为： %f 偏置为： %f" % (weight.eval(), bias.eval()))
            saver.save(sess,"F:\python\py_tensflow\check_file\model1")
        return None
    
    if __name__ == '__main__':
        myregre()

### 8.自定义命令行参数 ###

![在这里插入图片描述][6d3e7d3d6ee14874b614461027d5dc8a.png]

![在这里插入图片描述][b457a3e914f14b95a7eaa5b7d07ea00a.png]  
2、 tf.app.flags.,在flags有一个FLAGS标志，它在程序中可以调用到我们  
前面具体定义的flag\_name  
3、通过tf.app.run()启动main(argv)函数

# 定义命令行参数
    # 1、首先定义有哪些参数需要在运行时候指定
    # 2、程序当中获取定义命令行参数
    
    # 第一个参数：名字，默认值，说明
    tf.app.flags.DEFINE_integer("max_step", 100, "模型训练的步数")
    tf.app.flags.DEFINE_string("model_dir", " ", "模型文件的加载的路径")
    
    # 定义获取命令行参数名字
    FLAGS = tf.app.flags.FLAGS
    
    
    # 循环训练 运行优化
    for i in range(FLAGS.max_step):
        sess.run(train_op)
        # 运行合并的tensor
        summary = sess.run(merged)
        filewriter.add_summary(summary, i)
        print("第%d次优化的参数权重为：%f, 偏置为：%f" % (i, weight.eval(), bias.eval()))
    
    saver.save(sess, FLAGS.model_dir)

![在这里插入图片描述][7c06704921c3447d98be402fdc462392.png]

[https_blog.csdn.net_qq_33505204_article_details_81584257]: https://blog.csdn.net/qq_33505204/article/details/81584257
[https_blog.csdn.net_ITLearnHall_article_details_81708148]: https://blog.csdn.net/ITLearnHall/article/details/81708148
[https_blog.csdn.net_qq_27245699_article_details_81050035]: https://blog.csdn.net/qq_27245699/article/details/81050035
[b3229fd7500d4f239099bfe09ec988df.png]: https://img-blog.csdnimg.cn/b3229fd7500d4f239099bfe09ec988df.png
[https_www.anaconda.com_download]: https://www.anaconda.com/download/
[2e8e74c0a35644b09837865bba106a4a.png]: https://img-blog.csdnimg.cn/2e8e74c0a35644b09837865bba106a4a.png
[8ed46b90a9aa49b1b75abcb6c4e2bd27.png]: https://img-blog.csdnimg.cn/8ed46b90a9aa49b1b75abcb6c4e2bd27.png
[18bbae31729e4bfc816c0256fb8c761f.png]: https://img-blog.csdnimg.cn/18bbae31729e4bfc816c0256fb8c761f.png
[7fb5efff71514056a512aa4b0cb721bc.png]: https://img-blog.csdnimg.cn/7fb5efff71514056a512aa4b0cb721bc.png
[8822e01af5554004972c0252109917d0.png]: https://img-blog.csdnimg.cn/8822e01af5554004972c0252109917d0.png
[64d04d1d1afe4f3b90110003896f6aec.png]: https://img-blog.csdnimg.cn/64d04d1d1afe4f3b90110003896f6aec.png
[bfcae342ac7f4494b4482f475bcf9ce8.png]: https://img-blog.csdnimg.cn/bfcae342ac7f4494b4482f475bcf9ce8.png
[71b5716953d6456d86069e377b0d29f1.png]: https://img-blog.csdnimg.cn/71b5716953d6456d86069e377b0d29f1.png
[b97333085345483bbeb3e02006b07e81.png]: https://img-blog.csdnimg.cn/b97333085345483bbeb3e02006b07e81.png
[987d6eb2731245bc95fc62de8b514242.png]: https://img-blog.csdnimg.cn/987d6eb2731245bc95fc62de8b514242.png
[3e55283d64264f1ba86448b4a3a92e2e.png]: https://img-blog.csdnimg.cn/3e55283d64264f1ba86448b4a3a92e2e.png
[9919b4bc80b64bd7ad857b1e45add750.png]: https://img-blog.csdnimg.cn/9919b4bc80b64bd7ad857b1e45add750.png
[ec447e165e3042f4889f50fbd7bec7df.png]: https://img-blog.csdnimg.cn/ec447e165e3042f4889f50fbd7bec7df.png
[51447270b0db4812b1393c717ded5930.png]: https://img-blog.csdnimg.cn/51447270b0db4812b1393c717ded5930.png
[941df6291f4c40289339682512324dd2.png]: https://img-blog.csdnimg.cn/941df6291f4c40289339682512324dd2.png
[973eade7353d4ad9be9a9db4096b90c6.png]: https://img-blog.csdnimg.cn/973eade7353d4ad9be9a9db4096b90c6.png
[9db30a7690974d479bb33949e21e5c23.png]: https://img-blog.csdnimg.cn/9db30a7690974d479bb33949e21e5c23.png
[1f03ab172aa842e7b027dc5553d89e88.png]: https://img-blog.csdnimg.cn/1f03ab172aa842e7b027dc5553d89e88.png
[94a1c2e70c66487e9df8a8407dfa11cb.png]: https://img-blog.csdnimg.cn/94a1c2e70c66487e9df8a8407dfa11cb.png
[0366945abaf1453f9c0bef2b45376e1e.png]: https://img-blog.csdnimg.cn/0366945abaf1453f9c0bef2b45376e1e.png
[649c4c4d987d4bb1b8c9db15b67fc2a5.png]: https://img-blog.csdnimg.cn/649c4c4d987d4bb1b8c9db15b67fc2a5.png
[6993ae568f0a4588ac406a958970c955.png]: https://img-blog.csdnimg.cn/6993ae568f0a4588ac406a958970c955.png
[94c337bd33a0431b986ebdb0c1a500b5.png]: https://img-blog.csdnimg.cn/94c337bd33a0431b986ebdb0c1a500b5.png
[bfa0b6e990ed4b3c9cf88e501d8ec3a6.png]: https://img-blog.csdnimg.cn/bfa0b6e990ed4b3c9cf88e501d8ec3a6.png
[b861f83981674e5aa77b0ce9d35581a7.png]: https://img-blog.csdnimg.cn/b861f83981674e5aa77b0ce9d35581a7.png
[6d3e7d3d6ee14874b614461027d5dc8a.png]: https://img-blog.csdnimg.cn/6d3e7d3d6ee14874b614461027d5dc8a.png
[b457a3e914f14b95a7eaa5b7d07ea00a.png]: https://img-blog.csdnimg.cn/b457a3e914f14b95a7eaa5b7d07ea00a.png
[7c06704921c3447d98be402fdc462392.png]: https://img-blog.csdnimg.cn/7c06704921c3447d98be402fdc462392.png