Tensorflow的案例
為什么 TensorFlow 如此受歡迎 – Tensorflow 功能
Tensorboard 是一個(gè)使用 TensorFlow 可視化工具包的工具包，通過模型圖使 ML 變得簡(jiǎn)單： Tensorboard 是 TensorFlow 的可視化工具包，用于顯示圖像、圖形等。
支持 Keras： Keras 是 TensorFlow 的高級(jí) API，構(gòu)建在 TensorFlow 和 Theano 之上。如今，Keras 已成為一種廣泛使用的 TensorFlow API。
開源： TensorFlow 是一個(gè)開源平臺(tái)，可免費(fèi)使用，允許開發(fā)人員和研究人員構(gòu)建和部署機(jī)器學(xué)習(xí)模型。
為什么 TensorFlow 很受歡迎？
TensorFlow 讓機(jī)器學(xué)習(xí)變得簡(jiǎn)單： 借助預(yù)先訓(xùn)練的模型、數(shù)據(jù)和高級(jí) API，每個(gè)人都可以輕松構(gòu)建 ML 模型。
主要由研究人員使用： 大多數(shù)研究人員和學(xué)生在研究和模型構(gòu)建中使用 TensorFlow。
用于生產(chǎn)目的的現(xiàn)成模型： TensorFlow 支持預(yù)訓(xùn)練模型，這些模型可以立即用于生產(chǎn)和實(shí)驗(yàn)。
使用 TensorFlow，ML 用作服務(wù)：在 TensorFlow 的幫助下，機(jī)器學(xué)習(xí)已成為一項(xiàng)服務(wù)。可以使用 TensorFlow 模型所需的模型。
被許多公司使用： TensorFlow 被許多公司使用，如 Google、Intel、DeepMind、Twitter、Uber、DropBox、Airbnb 等。超過 400 家公司正在使用 TensorFlow。
應(yīng)用和用途：
圖像和人臉識(shí)別
醫(yī)療保健相關(guān)應(yīng)用，如癌癥、腫瘤檢測(cè)等
推薦系統(tǒng)
虛擬助手
自動(dòng)駕駛汽車
自然語言處理
展開 Tensorflow+實(shí)戰(zhàn)Google深度學(xué)習(xí)框架pdf高清文檔下載
TensorFlow是谷歌2015年開源的主流深度學(xué)習(xí)框架，目前已得到廣泛應(yīng)用?！?em>TensorFlow：實(shí)戰(zhàn)Google深度學(xué)習(xí)框架（第2版）》為TensorFlow入門參考書，旨在幫助讀者以快速、有效的方式上手TensorFlow和深度學(xué)習(xí)。書中省略了煩瑣的數(shù)學(xué)模型推導(dǎo)，從實(shí)際應(yīng)用問題出發(fā)，通過具體的TensorFlow示例介紹如何使用深度學(xué)習(xí)解決實(shí)際問題。書中包含深度學(xué)習(xí)的入門知識(shí)和大量實(shí)踐經(jīng)驗(yàn)，是走進(jìn)這個(gè)前沿、熱門的人工智能領(lǐng)域的優(yōu)選參考書。
第2版將書中所有示例代碼從TensorFlow 0.9.0升級(jí)到了TensorFlow 1.4.0。在升級(jí)API的同時(shí)，第2版也補(bǔ)充了更多只有TensorFlow 1.4.0才支持的功能。另外，第2版還新增兩章分別介紹TensorFlow高層封裝和深度學(xué)習(xí)在自然語言領(lǐng)域應(yīng)用的內(nèi)容。
《TensorFlow：實(shí)戰(zhàn)Google深度學(xué)習(xí)框架（第2版）》適用于想要使用深度學(xué)習(xí)或TensorFlow的數(shù)據(jù)科學(xué)家、工程師，希望了解深度學(xué)習(xí)的大數(shù)據(jù)平臺(tái)工程師，對(duì)人工智能、深度學(xué)習(xí)感興趣的計(jì)算機(jī)相關(guān)從業(yè)人員及在校學(xué)生等。
全網(wǎng)最全Python必讀書藉合集（PDF文檔免費(fèi)下載）
目錄
第1章 深度學(xué)習(xí)簡(jiǎn)介
第2章 TensorFlow環(huán)境搭建
第3章 TensorFlow入門
第4章 深層神經(jīng)網(wǎng)絡(luò)
第5章 MNIST數(shù)字識(shí)別問題
第6章 圖像識(shí)別與卷積神經(jīng)網(wǎng)絡(luò)
第7章 圖像數(shù)據(jù)處理
第8章 循環(huán)神經(jīng)網(wǎng)絡(luò)
第9章 自然語言處理
第10章 TensorFlow高層封裝
第11章 TensorBoard可視化
第12章 TensorFlow計(jì)算加速小結(jié)
展開 使用 TensorFlow 進(jìn)行對(duì)象檢測(cè) ￥5
使用 TensorFlow 進(jìn)行對(duì)象檢測(cè)
設(shè)置 TensorFlow
首先 使用 pip 安裝 TensorFlow：
!pip install tensorflow
?
?
確保您具有必要的依賴項(xiàng)，如果您有兼容的 GPU，請(qǐng)考慮安裝支持 GPU 的 TensorFlow 以加快訓(xùn)練速度。
選擇預(yù)訓(xùn)練模型
TensorFlow 在 COCO （Common Objects in Context） 等大型數(shù)據(jù)集上提供預(yù)訓(xùn)練模型。這些模型是遷移學(xué)習(xí)的起點(diǎn)。常見型號(hào)包括 Faster R-CNN、SSD（Single Shot Multibox Detector）和 YOLO（You Only Look Once）。在本教程中，我們將使用 ssd_mobilenet_v2_fpnlite_640x640_coco17_tpu-8 模型。
了解 ssd_mobilenet_v2_fpnlite_640x640_coco17_tpu-8 Model
SSD（單發(fā)多框檢測(cè)器）：SSD 是一種流行的對(duì)象檢測(cè)算法，以其速度和準(zhǔn)確性而聞名。它旨在一次性檢測(cè)不同比例和縱橫比的對(duì)象。
MobileNetV2：MobileNetV2 是一種針對(duì)移動(dòng)和邊緣設(shè)備優(yōu)化的輕量級(jí)神經(jīng)網(wǎng)絡(luò)架構(gòu)。它在效率和性能之間取得了平衡，使其成為實(shí)時(shí)應(yīng)用程序的理想選擇。
640x640：這表示模型預(yù)期的輸入圖像大小。較大的輸入大小通常會(huì)產(chǎn)生更準(zhǔn)確的結(jié)果，但需要更多的計(jì)算資源。這些模型的大小也比在較大圖像（如 1024x1024）上訓(xùn)練的模型小。此外，推理時(shí)間更短。
展開 如何處理 TensorFlow 模型中的過擬合？ ￥5
如何緩解 Tensorflow 模型中的過擬合？
使用以下檢查，可以在 TensorFlow 模型中顯著減少過擬合：
降低模型復(fù)雜性：過于復(fù)雜的模型更容易出現(xiàn)過擬合，因?yàn)樗鼈冇懈嗟膮?shù)來記住訓(xùn)練數(shù)據(jù)?？紤]減少神經(jīng)網(wǎng)絡(luò)架構(gòu)中的層數(shù)或神經(jīng)元數(shù)。
正則化：L1 和 L2 正則化等正則化技術(shù)向損失函數(shù)添加了一個(gè)懲罰項(xiàng)，從而阻止了模型中的大權(quán)重。TensorFlow 通過層構(gòu)造函數(shù)中的 kernel_regularizer 參數(shù)提供對(duì)正則化的內(nèi)置支持。
Dropout：Dropout 是一種正則化技術(shù)，其中隨機(jī)選擇的神經(jīng)元在訓(xùn)練過程中被忽略。這有助于防止神經(jīng)元的共適應(yīng)并減少過度擬合。您可以使用 Dropout 層將 dropout 應(yīng)用于 TensorFlow 中的層。
提前停止：在訓(xùn)練期間監(jiān)控模型在驗(yàn)證數(shù)據(jù)集上的性能，并在性能開始下降時(shí)停止訓(xùn)練。為此，TensorFlow 提供了 Early Stopping 回調(diào)。
數(shù)據(jù)增強(qiáng)：通過對(duì)輸入數(shù)據(jù)應(yīng)用隨機(jī)轉(zhuǎn)換（例如旋轉(zhuǎn)、平移或翻轉(zhuǎn)）來增加訓(xùn)練數(shù)據(jù)集的大小和多樣性。TensorFlow 提供了 ImageDataGenerator 等工具，用于圖像數(shù)據(jù)增強(qiáng)。
交叉驗(yàn)證：使用 k 折疊交叉驗(yàn)證等技術(shù)來評(píng)估模型在訓(xùn)練數(shù)據(jù)的多個(gè)子集上的性能。這有助于確保您的模型能夠很好地泛化到看不見的數(shù)據(jù)。
批量歸一化：批量歸一化對(duì)網(wǎng)絡(luò)中每一層的激活進(jìn)行歸一化，使訓(xùn)練更加穩(wěn)定，并降低過擬合的可能性。TensorFlow 為此提供了 BatchNormalization 層。
集成學(xué)習(xí)：訓(xùn)練具有不同初始化或架構(gòu)的多個(gè)模型，并結(jié)合它們的預(yù)測(cè)來做出最終預(yù)測(cè)。集成方法可以通過利用單個(gè)模型的多樣性來幫助減少過擬合。
展開 
TensorFlow 中的 CIFAR-10 圖像分類
__version__)
# other imports
import numpy as np
import matplotlib.pyplot as plt
from tensorflow.keras.layers import Input, Conv2D, Dense, Flatten, Dropout
from tensorflow.keras.layers import GlobalMaxPooling2D, MaxPooling2D
from tensorflow.keras.layers import BatchNormalization
from tensorflow.keras.models import Model
輸出：
2.4.1
上述代碼的輸出應(yīng)顯示您正在使用的 tensorflow 版本，例如 2.4.1 或任何其他版本。
現(xiàn)在我們有了所需的模塊支持，所以讓我們加載我們的數(shù)據(jù)。CIFAR-10 的數(shù)據(jù)集可以在 tensorflow keras API 上找到，我們可以使用 tensorflow.keras.datasets.cifar10 在本地機(jī)器上下載它，然后使用 load_data（） 函數(shù)將其分發(fā)到訓(xùn)練和測(cè)試集。
?
展開 Tensorflow 中的卷積神經(jīng)網(wǎng)絡(luò) （CNN）
import tensorflow as tf
fully_connected_layer = tf.keras.layers.Dense(
units=128, activation='relu', kernel_initializer='glorot_uniform',
)
TensorFlow 中的 CNN 實(shí)現(xiàn)
現(xiàn)在我們已經(jīng)了解了構(gòu)建塊，讓我們看看如何在 TensorFlow 中使用這些層實(shí)現(xiàn) CNN 模型。我們將在 cifar 數(shù)據(jù)集上實(shí)現(xiàn)它。
1. 導(dǎo)入庫
import tensorflow as tf
from tensorflow.keras import layers, models
from tensorflow.keras.datasets import cifar10
from tensorflow.keras.utils import to_categorical
import matplotlib.pyplot as plt
2.
展開 PINN求解burger方程，tensorflow框架，附代碼（三）
PINN求解burger方程，tensorflow框架，附代碼（三）
TensorFlow 1.x和TensorFlow 2.x區(qū)別
TensorFlow 1.x版本只有靜態(tài)圖模式，需要手動(dòng)構(gòu)建計(jì)算圖，調(diào)試?yán)щy，但性能好。
TensorFlow 2.x 初期：默認(rèn)Eager Execution，易于調(diào)試，但性能較差。TensorFlow 2.x + @tf.function：兩全其美：易于調(diào)試 + 高性能，方便在Eager Execution和 Graph Execution間轉(zhuǎn)換
本文提供的代碼采用2.x版本
正問題
已知，控制方程形式：
初始條件：
邊界條件：
該方程的解析表達(dá)式通過Hopf-Cole變換獲得，較為復(fù)雜，感興趣的讀者可自行搜索。
展開 使用 TensorFlow 實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)
現(xiàn)在，我們來學(xué)習(xí)如何使用 TensorFlow 實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)
安裝 Tensorflow
Tensorflow 是由 Google 創(chuàng)建并開源的庫/平臺(tái)。它是深度學(xué)習(xí)應(yīng)用程序中最常用的庫?，F(xiàn)在，創(chuàng)建神經(jīng)網(wǎng)絡(luò)可能不是 TensorFlow 庫的主要功能，但它經(jīng)常用于此目的。因此，在繼續(xù)之前，讓我們安裝并導(dǎo)入 TensorFlow 模塊。
使用 pip/conda 命令在系統(tǒng)中安裝 TensorFlow
# terminal/zsh/cmd command
# pip
pip install tensorflow --upgrade
# conda
conda install -c conda-forge tensorflow
%tensorflow_version 2.x
下載并讀取數(shù)據(jù)
您可以使用任何您想要的數(shù)據(jù)集，這里我使用了 Kaggle 的紅葡萄酒質(zhì)量數(shù)據(jù)集。這是一個(gè)分類問題，當(dāng)然，你可以學(xué)習(xí)將這個(gè)概念應(yīng)用到其他問題中。首先，在您的工作目錄中下載數(shù)據(jù)集?，F(xiàn)在數(shù)據(jù)已下載，讓我們將數(shù)據(jù)加載為數(shù)據(jù)幀。
展開 在 Python 中使用 Tensorflow 檢測(cè)垃圾郵件
在 Python 中使用 Tensorflow 檢測(cè)垃圾郵件
在本文中，我們將構(gòu)建一個(gè)基于 TensorFlow 的垃圾郵件檢測(cè)器;簡(jiǎn)單來說，我們將不得不將文本分類為 Spam 或 Ham。 這意味著 Spam detection 是 Text Classification 問題的一個(gè)例子。因此，我們將對(duì)數(shù)據(jù)集執(zhí)行 EDA 并構(gòu)建文本分類模型。
導(dǎo)入庫
Python 庫使我們能夠非常輕松地處理數(shù)據(jù)并使用一行代碼執(zhí)行典型和復(fù)雜的任務(wù)。
熊貓 – 該庫有助于以 2D 數(shù)組格式加載數(shù)據(jù)幀，并具有多種功能可以一次性執(zhí)行分析任務(wù)。
Numpy – Numpy 數(shù)組速度非?？?，可以在很短的時(shí)間內(nèi)執(zhí)行大型計(jì)算。
Matplotlib/Seaborn/Wordcloud– 此庫用于繪制可視化。
NLTK – Natural Language Tool Kit 提供了各種功能來處理原始文本數(shù)據(jù)。
?
展開 Tensorflow 中的長(zhǎng)短期記憶 （LSTM） RNN
TensorFlow – 這是一個(gè)用于機(jī)器學(xué)習(xí)和人工智能的開源庫，并提供一系列功能以通過單行代碼實(shí)現(xiàn)復(fù)雜的功能。
在 Python 中使用 TensorFlow 進(jìn)行面罩檢測(cè) ￥8.8
鑒于經(jīng)過訓(xùn)練的 COVID-19 口罩檢測(cè)器，我們將繼續(xù)實(shí)施另外兩個(gè)額外的 Python 腳本，用于：
檢測(cè)圖像中的 COVID-19 口罩
檢測(cè)實(shí)時(shí)視頻流中的面罩
1 面罩檢測(cè)系統(tǒng)流程圖
?
編輯
為了訓(xùn)練自定義口罩檢測(cè)器，我們需要將項(xiàng)目分為兩個(gè)不同的階段，每個(gè)階段都有自己各自的子步驟（如上面的圖 1 所示）：
訓(xùn)練： 在這里，我們將重點(diǎn)介紹如何從磁盤加載口罩檢測(cè)數(shù)據(jù)集，在此數(shù)據(jù)集上訓(xùn)練模型（使用 Keras/TensorFlow），然后將口罩檢測(cè)器序列化到磁盤
部署： 一旦口罩檢測(cè)器經(jīng)過訓(xùn)練，我們就可以繼續(xù)加載口罩檢測(cè)器，執(zhí)行人臉檢測(cè)，然后將每張臉分類為 with_mask 或 without_mask。
?
編輯
我們將使用這些圖像通過 TensorFlow 構(gòu)建 CNN 模型，以通過使用 PC 的網(wǎng)絡(luò)攝像頭來檢測(cè)您是否戴著口罩。此外，您還可以使用手機(jī)的攝像頭來執(zhí)行相同的作！
2 逐步實(shí)施
3 第 1 步：數(shù)據(jù)可視化
第一步，讓我們可視化數(shù)據(jù)集中兩個(gè)類別的圖像總數(shù)。我們可以看到 'yes' 類中有 690 張圖像，'no' 類中有 686 張圖像。
蒙版標(biāo)記為“yes”的圖像數(shù)量：690
蒙版標(biāo)記為“no”的圖像數(shù)量：686
4 第 2 步：數(shù)據(jù)增強(qiáng)
在下一步中，我們擴(kuò)充數(shù)據(jù)集以包含更多數(shù)量的圖像用于我們的訓(xùn)練。在數(shù)據(jù)增強(qiáng)的這一步中，我們旋轉(zhuǎn)和翻轉(zhuǎn)數(shù)據(jù)集中的每張圖像。我們看到，在數(shù)據(jù)增強(qiáng)之后，我們總共有 2751 張圖像，其中 1380 張圖像屬于 'yes' 類，'1371' 張圖像屬于 'no' 類。
展開 
深度學(xué)習(xí)訓(xùn)練營(yíng)-使用 Python、Pytorch 的神經(jīng)網(wǎng)絡(luò) ￥10
基礎(chǔ)知識(shí)：從基礎(chǔ)知識(shí)到出色的 AI 項(xiàng)目
第 127 講 課程材料和代碼的鏈接
第 128 講 TensorFlow 簡(jiǎn)介：模塊介紹
第 129 講 TensorFlow 簡(jiǎn)介：TensorFlow 定義和屬性
第 130 講 TensorFlow 簡(jiǎn)介：張量類型和 Tesnor 板
第 131 講 TensorFlow 簡(jiǎn)介：如何使用 TensorFlow
第 132 講 TensorFlow 簡(jiǎn)介：Google Colab
第 133 講 TensorFlow 簡(jiǎn)介：練習(xí)
第 134 講 TensorFlow 簡(jiǎn)介：練習(xí)解決方案
第 135 講 TensorFlow 簡(jiǎn)介：測(cè)驗(yàn)
第 136 講 TensorFlow 簡(jiǎn)介：測(cè)驗(yàn)解決方案
第 137 講 構(gòu)建您的第一個(gè)深度學(xué)習(xí)項(xiàng)目：模塊簡(jiǎn)介
第 138 講 構(gòu)建您的第一個(gè)深度學(xué)習(xí)項(xiàng)目：人工神經(jīng)網(wǎng)絡(luò)
第 139 講 構(gòu)建您的第一個(gè)深度學(xué)習(xí)項(xiàng)目：TensorFlow Playground
第 140 講 構(gòu)建您的第一個(gè)深度學(xué)習(xí)項(xiàng)目：加載 TF 和數(shù)據(jù)
第 141 講 構(gòu)建您的第一個(gè)深度學(xué)習(xí)項(xiàng)目：模型訓(xùn)練和評(píng)估
第 142 講 構(gòu)建您的第一個(gè)深度學(xué)習(xí)項(xiàng)目：項(xiàng)目
第 143 講 構(gòu)建您的第一個(gè)深度學(xué)習(xí)項(xiàng)目：項(xiàng)目實(shí)施
第 144 講 構(gòu)建您的第一個(gè)深度學(xué)習(xí)項(xiàng)目：測(cè)驗(yàn)
第 145 講 構(gòu)建您的第一個(gè)深度學(xué)習(xí)項(xiàng)目：測(cè)驗(yàn)解決方案
第 146 講 多層深度學(xué)習(xí)項(xiàng)目：模塊介紹
第 147 講 多層深度學(xué)習(xí)項(xiàng)目：訓(xùn)練和 Epochs
第 148 講 多層深度學(xué)習(xí)項(xiàng)目：梯度體面和反向傳播
第 149 講 多層深度學(xué)習(xí)項(xiàng)目：偏差方差權(quán)衡
第 150 講 多層深度學(xué)習(xí)項(xiàng)目：性能指標(biāo)
第 151 講 多層深度學(xué)習(xí)項(xiàng)目：項(xiàng)目-銷售指導(dǎo)
第 152 講
展開 師傅領(lǐng)進(jìn)門之6步教你跑通一個(gè)AI程序！
內(nèi)容提綱：
環(huán)境搭建
了解Tensorflow運(yùn)行機(jī)制
MNIST(手寫數(shù)字識(shí)別 ) softmax性線回歸
MNIST 深度卷積神經(jīng)網(wǎng)絡(luò)（CNN）
tools 工具類
CPU & GPU & multi GPU
學(xué)習(xí)資料
1 環(huán)境搭建 (Windows)
安裝虛擬環(huán)境 Anaconda，方便python包管理和環(huán)境隔離。
Anaconda3 4.2 www.anaconda.com/downloads，自帶python 3.5。
創(chuàng)建tensorflow隔離環(huán)境。打開Anaconda安裝后的終端Anaconda Prompt，執(zhí)行下面命令
conda create -n tensorflow python=3.5 #創(chuàng)建名為tensorflow，python版本為3.5的虛擬環(huán)境 activate tensorflow #激活這個(gè)環(huán)境 deactivate #退出當(dāng)前虛擬環(huán)境。這個(gè)不用執(zhí)行 復(fù)制代碼
CPU 版本
pip install tensorflow #通過包管理來安裝 pip install whl-file #通過下載 whl 文件安裝，tensorflow-cpu安裝包：http://mirrors.oa.com/tensorflow/windows/cpu/tensorflow-1.2.1-cp35-cp35m-win_amd64.whl, cp35是指python3.5 復(fù)制代碼
**GPU 版本。**我的筆記本是技持NVIDIA顯卡的，可以安裝cuda，GPU比CPU快很多，不過筆記本的顯存不大，小模型還可以跑，大模型建議在本地用CPU跑通，到Tesla平臺(tái)上訓(xùn)練。
展開 如何在資源受限的RISC-V內(nèi)核上嵌入人工智能？
從軟件的角度來看，它使得通過專用的人工智能框架，如TensorFlow Lite forMicrocontrollers（TFLite-Micro）變得更加容易。從硬件的角度來看，使用矢量/ 圖形協(xié)處理器或SIMD 指令可能是一個(gè)解決方案；這兩者通常都是與昂貴的高性能SoC 一起交付。如果成本和功耗預(yù)算僅限于帶有（或甚至沒有）DSP 模塊的MCU，此時(shí)怎么辦？
用于微控制器的TensorFlow Lite框架
基于神經(jīng)網(wǎng)絡(luò)的算法可以提供可靠的結(jié)果，同時(shí)從頭去實(shí)現(xiàn)它們通常也相當(dāng)復(fù)雜，包括張量運(yùn)算和非線性浮點(diǎn)函數(shù)。但有幾個(gè)框架可以簡(jiǎn)化開發(fā)者的繁瑣任務(wù)。TensorFlow Lite 是在2017 年推出的，針對(duì)的是移動(dòng)設(shè)備上的神經(jīng)網(wǎng)絡(luò)推理。而最終TensorFlow Lite for Microcontrollers 在2021 年從TensorFlow Lite 中分離出來，專門針對(duì)資源受限的嵌入式系統(tǒng)，將TensorFlow Lite 的其余部分留給Android/iOS 應(yīng)用。
TFLite-Micro 采用了帶有靜態(tài)內(nèi)存規(guī)劃器的直譯器形式，支持方案提供商特有的優(yōu)化項(xiàng)。它解決了嵌入式系統(tǒng)的常見問題，如內(nèi)存小和功耗限制等，并考慮到了支持各種架構(gòu)/ 微架構(gòu)的需要。它在任何嵌入式平臺(tái)上開箱即用，支持最小的TensorFlow 操作集，如卷積、張量乘法、調(diào)整大小和切片，并仍然足以運(yùn)行豐富的人工智能應(yīng)用，如圖像分類、時(shí)間序列處理或關(guān)鍵詞檢測(cè)。
展開 使用通用句子編碼器USE(Universal Sentence Encoder)進(jìn)行語義查詢
在試驗(yàn)過程中，發(fā)現(xiàn)直接使用pip install top2vec[sentence_encoders]命令安裝Top2Vec的USE(universal-sentence-encoder)和USEM(universal-sentence-encoder-multilingual)不成功，可能的原因是Tensorflow沒有安裝好。與Pytorch一樣，Tensorflow有CPU和GPU兩個(gè)版本，GPU版本的安裝過程非常復(fù)雜，首先需要配置CUDA，于是決定先使用CPU版本。使用下面的命令進(jìn)行安裝：
conda install -c anaconda tensorflow
本意是安裝V2.5版本，但不知什么原因，最后竟然安裝的是V2.3.0版本。在測(cè)試安裝成功后，又安裝了tensorflow_hub和seaborn兩個(gè)關(guān)鍵庫。至此Tensorflow的基本安裝工作完成。
2 下載USE
通用句子編碼器USE將文本編碼為高維向量，可用于文本分類、語義相似性、聚類和其他自然語言任務(wù)。該模型用于句子、短語或短段落的訓(xùn)練和優(yōu)化，它在各種數(shù)據(jù)源和各種任務(wù)上進(jìn)行訓(xùn)練，目的是動(dòng)態(tài)地適應(yīng)各種自然語言理解任務(wù)。輸入是可變長(zhǎng)度的英語文本，輸出是一個(gè)512維的向量。USE模型是用深度平均網(wǎng)絡(luò)DAN編碼器訓(xùn)練的。USE與基于單詞的嵌入模型不同，USE在自然語言預(yù)測(cè)任務(wù)上進(jìn)行訓(xùn)練得出的，這些任務(wù)需要對(duì)單詞序列的意義進(jìn)行建模，而不僅僅是單個(gè)單詞。USE來自于Google AI 試驗(yàn)室Daniel Cer等人(2018)的論文《Universal Sentence Encoder》。
展開 