Tensorflow學習筆記1：Get Started

關於Tensorflow的基本介紹

Tensorflow是一個基於圖的計算系統，其主要應用於機器學習。

從Tensorflow名字的字面意思能夠拆分紅兩部分來理解：Tensor+flow。

• Tensor：中文名能夠稱爲「張量」，其本質就是任意維度的數組。一個向量就是一個1維的Tensor，一個矩陣就是2維的Tensor。
• Flow：指的就是圖計算中的數據流。

當咱們想要使用Tensorflow作什麼事情的時候，通常須要三個操做步驟：

1. 建立Tensor；
2. 添加Operations（Operations輸入Tensor，而後輸出另外一個Tensor）；
3. 執行計算（也就是運行一個可計算的圖）。

Tensorflow有個圖的概念，Operations會添加到圖中，做爲圖的節點。在添加某Operation的時候，不會當即執行該Operation。Tensorflow會等待全部Operation添加完畢，而後Tensorflow會優化該計算圖，以便決定如何執行計算。

 

快速使用

若是想開始實驗一下Tensorflow，能夠經過Docker啓動官方的鏡像tensorflow/tensorflow。

以下所示，

lienhuadeMacBook-Pro:tensorflow lienhua34$ docker run -d -p 8888:8888 --name tensorflow tensorflow/tensorflow
0fc7849b3ef5ac56e8ad372cc201874338c586ed5f47a4205997712efcd35646
lienhuadeMacBook-Pro:tensorflow lienhua34$ docker ps -a
CONTAINER ID        IMAGE                                    COMMAND                  CREATED             STATUS                   PORTS                              NAMES
0fc7849b3ef5        tensorflow/tensorflow                    "/run_jupyter.sh"        49 minutes ago      Up 2 seconds             6006/tcp, 0.0.0.0:8888->8888/tcp   tensorflow

該鏡像啓動一個jupyter，而後咱們在瀏覽器中輸入http://localhost:8888/來訪問，以下圖所示，

而後點擊右上角的New -> Python 2，新建的一個Python交互頁面，即可以開始實驗Tensorflow的功能，

 

簡單實例：向量相加

下面咱們經過兩個向量相加的簡單例子來看一下Tensorflow的基本用法。

[1. 1. 1. 1.] + [2. 2. 2. 2.] = [3. 3. 3. 3.]

import tensorflow as tf
with tf.Session():
  input1 = tf.constant([1.0 1.0 1.0 1.0])
  input2 = tf.constant([2.0 2.0 2.0 2.0])
  output = tf.add(input1, input2)
  result = output.eval()
  print result

Tensorflow的計算必需要在一個Session的上下文中。Session會包含一個計算圖，而這個圖你添加的Tensors和Operations。固然，你在添加Tensor和Operation的時候，它們都不會當即進行計算，而是等到最後須要計算Session的結果的時候。當Tensorflow以後了計算圖中的全部Tensor和Operation以後，其會知道如何去優化和執行圖的計算。

兩個tf.constant() 語句向計算圖中建立了兩個Tensor。調用tf.constant()的動做大體能夠說爲，建立兩個指定維度的Tensor，以及兩個constant操做符用於初始化相對應的Tensor（不會當即執行）。

tf.add()語句向計算圖中添加了一個add操做，當不會當即執行，這時候add操做的結果還沒法獲取。此時，計算圖大體以下所示， 

result = output.eval() print result

當咱們最後調用output.eval()時，會觸發Tensorflow執行計算圖，從而獲取output計算結點的結果。

 

Variable的使用

咱們上面的例子使用的Tensor是常量（constant），而在咱們實際的機器學習任務中，咱們每每須要變量（variable）來記錄一下可變的狀態（例如神經網絡節點的權重參數等）。下面咱們來看一個簡單的variable例子。

import tensorflow as tf
import numpy as np

with tf.Session() as sess:
  # Set up two variables, total and weights, that we'll change repeatedly.
  total = tf.Variable(tf.zeros([1, 2]))
  weights = tf.Variable(tf.random_uniform([1,2]))

  # Initialize the variables we defined above.
  tf.initialize_all_variables().run()

  # This only adds the operators to the graph right now. The assignment
  # and addition operations are not performed yet.
  update_weights = tf.assign(weights, tf.random_uniform([1, 2], -1.0, 1.0))
  update_total = tf.assign(total, tf.add(total, weights))

  for _ in range(5):
    # Actually run the operation graph, so randomly generate weights and then
    # add them into the total. Order does matter here. We need to update
    # the weights before updating the total.
    sess.run(update_weights)
    sess.run(update_total)

    print weights.eval(), total.eval()

歸納了說，上面的代碼就是建立了兩個變量total和weights（都是1維的tensor），total全部元素初始化爲0，而weights的元素則用-1到1之間的隨機數進行初始化。而後在某個迭代中，使用-1到1之間的隨機數來更新變量weights的元素，而後添加到變量total中。

在調用tf.Variable()的時候，只是定了變量以及變量的初始化操做（實際上並未執行）。全部變量都須要在開始執行圖計算以前進行初始化。調用tf.initialize_all_variables().run()來對全部變量進行初始化。

在for循環中，

sess.run(update_weights)

觸發執行更新weights變量的計算。

sess.run(update_total)

則處理了將變量total和變量weights進行相加，並將結果賦值到變量total。