TensorSlow

用纯 Python 重新实现 TensorFlow 的功能

TensorSlow 是一个极简的机器学习 API，它模仿了 TensorFlow 的 API，但完全用纯 Python 实现（没有 C 语言后端）。该库的源代码在设计时优先考虑了可读性和易理解性，而非极致的性能。因此，TensorSlow 仅适用于教学和学习目的。如果你希望深入了解像 TensorFlow 这样的深度学习框架的内部工作原理，那么这可能是最好的选择。

我在我的博客 deepideas.net 上发表了一篇文章，逐步构建并解释这个库，同时详细说明了其中涉及的所有数学知识和算法：Deep Learning From Scratch。

使用方法

导入：

import tensorslow as ts

创建计算图：

ts.Graph().as_default()

创建输入占位符：

training_features = ts.placeholder()
training_classes = ts.placeholder()

构建模型：

weights = ts.Variable(np.random.randn(2, 2))
biases = ts.Variable(np.random.randn(2))
model = ts.softmax(ts.add(ts.matmul(X, W), b))

定义训练目标函数：

loss = ts.negative(ts.reduce_sum(ts.reduce_sum(ts.multiply(training_classes, ts.log(model)), axis=1)))

创建优化器：

optimizer = ts.train.GradientDescentOptimizer(learning_rate=0.01).minimize(J)

准备输入数据字典：

feed_dict = {
	training_features: my_training_features,
	training_classes: my_training_classes
}

创建会话：

session = ts.Session()

训练模型：

for step in range(100):
	loss_value = session.run(loss, feed_dict)
	if step % 10 == 0:
		print("Step:", step, " Loss:", loss_value)
	session.run(optimizer, feed_dict)

获取模型参数：

weights_value = session.run(weights)
biases_value = session.run(biases)

更多示例请查看 examples 目录。

TensorSlow 快速上手指南

TensorSlow 是一个用纯 Python 重新实现的极简机器学习库，其 API 设计模仿了 TensorFlow。由于它没有 C 语言后端，代码专注于可读性而非执行效率，因此仅适用于教育目的，是深入理解深度学习框架底层原理（如计算图、自动微分等）的绝佳工具。

环境准备

• 系统要求：支持 Python 的任意操作系统（Windows, macOS, Linux）。
• Python 版本：建议 Python 3.6+。
• 前置依赖：
  • numpy：用于基础的矩阵运算。
  • 无需安装 TensorFlow 或其他重型深度学习框架。

确保已安装 numpy：

pip install numpy

安装步骤

由于 TensorSlow 主要作为教学代码存在，通常通过直接克隆源码或下载文件使用。如果项目已发布到 PyPI（请根据实际仓库情况确认），可使用以下命令安装：

pip install tensorslow

若未发布到 PyPI，请直接克隆仓库并添加到路径：

git clone https://github.com/eriklindernoren/TensorSlow.git
cd TensorSlow
# 将当前目录加入 PYTHONPATH 或直接在该目录下运行脚本
export PYTHONPATH=$PYTHONPATH:$(pwd)  # Linux/macOS
# set PYTHONPATH=%PYTHONPATH%;%cd%   # Windows CMD

提示：国内开发者若遇到克隆速度慢的问题，可使用 Gitee 镜像（如有）或配置 Git 代理加速。

基本使用

以下示例展示了如何构建一个简单的计算图、定义模型、设置损失函数并进行梯度下降训练。

1. 导入与初始化

首先导入库并创建默认计算图。

import tensorslow as ts
import numpy as np

ts.Graph().as_default()

2. 定义占位符与变量

创建输入数据的占位符以及模型的权重和偏置变量。

training_features = ts.placeholder()
training_classes = ts.placeholder()

weights = ts.Variable(np.random.randn(2, 2))
biases = ts.Variable(np.random.randn(2))

3. 构建模型与损失函数

搭建前向传播逻辑（矩阵乘法 + 加法 + Softmax）并定义交叉熵损失。

# 注意：原文示例中变量名 X, W, b 需对应上面的 weights, biases 等，此处修正为一致
model = ts.softmax(ts.add(ts.matmul(training_features, weights), biases))

loss = ts.negative(ts.reduce_sum(ts.reduce_sum(ts.multiply(training_classes, ts.log(model)), axis=1)))

4. 定义优化器

实例化梯度下降优化器。

optimizer = ts.train.GradientDescentOptimizer(learning_rate=0.01).minimize(loss)

5. 执行训练

创建会话（Session），传入数据并运行训练循环。

# 模拟一些训练数据
my_training_features = np.random.randn(10, 2)
my_training_classes = np.random.randn(10, 2)

feed_dict = {
    training_features: my_training_features,
    training_classes: my_training_classes
}

session = ts.Session()

for step in range(100):
    loss_value = session.run(loss, feed_dict)
    if step % 10 == 0:
        print("Step:", step, " Loss:", loss_value)
    session.run(optimizer, feed_dict)

6. 获取结果

训练结束后，提取更新后的模型参数。

weights_value = session.run(weights)
biases_value = session.run(biases)

更多复杂示例请参考项目源码中的 examples 目录。