1.安装tensorflow库

对于深度学习而言，其必备库自然为tensorflow，关于这个库的安装确实存在一些坑，该库已经更新到2.2.0版本及其以上。但如果你在网上直接检索，你会发现其大多数的安装贴均为1.8 1.9版本，而实际上随着更新，官方已经移除了这两个版本，并且语法也有较大的改变。所以按照其上进行安装的时候，我的python也进行了疯狂报错：主要分为下列两个大问题：

1.DLL error 找不到相应模块

2.HDF5文件不匹配

关于第一个问题，我个人采取的解决方案是搭建虚拟python环境为3.6。经过查找相关资料发现python 3.5-3.8均可，然后在虚拟环境下进行tensorflow安装，随后发现可能是太久没用python，相关库未进行更新。随即upgrade一下就能成功import tensorflow as tf

第二个问题就是在实际运行中，总会报错HDF5不匹配仔细查看报错原因是HDF5已经到1.10.5而tensorflow 所使用的HDF5基于1.10.4。所以就会报不匹配的错。解决方案也很简单，卸载高版本重新安装低版本即可。

2.使用tensorflow进行搭建一个简单的LSTM网络

由于刚入门接触这个tensorflow库，对其函数还不甚了解，在网上查找半天发现长代码稍许难以理解。故选取了一个最简单的LSTM进行入手，其功能主要为鉴别整数与小数，代码如下：

from tensorflow.python.keras.layers.core import Dense, Dropout,Activation,Flatten

from tensorflow.python.keras.models import Sequential

from tensorflow.python.keras.utils import np_utils

from tensorflow.python.keras.layers import LSTM

import tensorflow as tf

import numpy as np

def train():

nyarray= [ [[9]],[[2.5]],[[3]],[[4.6]],[[6.9]],[[10]] ]

nycheck= [ [[1]],[[0]],[[1]],[[0]],[[0]],[[1]] ]

pd=tf.cast(nyarray,tf.float32)

pe=tf.cast(nycheck,tf.float32)

model = Sequential()

lstm = LSTM(10,input_shape=(1,1))

dense = Dense((1),input_shape = (1,1))

activate= Activation('relu')

model.add(lstm)

model.add(dense)

model.add(activate)

model.compile(loss='mse',optimizer='adam',metrics=['accuracy'])

model.fit(pd,pe,epochs=500,shuffle=True)

train()

我们先从引用的库进行分析 dense为全连接层

dropout是tensorflow中防止训练过拟合的一种措施,实际作用无非是使输入tensor中某些元素变为0，其它没变0的元素变为原来的1/keep_prob大小。但是我这里数据量非常小，故实际上没有进行调用。

Activation 字面意思激活函数

Sequential 序列模型就是个将各个层加在一起，然后开始训练。

随即开始代码分析，我们首先给出两个数据组一个是输入数据一个是识别数据，随后我们将数据进行转化为32位浮点数据。设定了10个单元，输入数据为1维。添加一个全连接层，随后用relu函数进行激活。最后将之前构建的层相连接，开始训练

训练时损失函数采用均方误差（标准差）优化器则采用adam（没咋看过这个）然后就开始训练了

训练次数为500次，输出结果如下

6/6 [==============================] - 0s 651us/sample - loss: 0.1900 - accuracy: 0.6667

Epoch 148/500

6/6 [==============================] - 0s 488us/sample - loss: 0.1899 - accuracy: 0.6667

Epoch 149/500

6/6 [==============================] - 0s 813us/sample - loss: 0.1898 - accuracy: 0.6667

6/6 [==============================] - 0s 814us/sample - loss: 0.1511 - accuracy: 0.8333

Epoch 499/500

6/6 [==============================] - 0s 651us/sample - loss: 0.1510 - accuracy: 0.8333

Epoch 500/500

6/6 [==============================] - 0s 813us/sample - loss: 0.1508 - accuracy: 0.8333

发现损失值的确在缓慢下降并且准确度也再提高，符合预期。