Tensorflow學習：（一）tensorflow框架基本概念

1、Tensorflow基本概念

　　一、使用圖（graphs）來表示計算任務，用於搭建神經網絡的計算過程，但其只搭建網絡，不計算

　　二、在被稱之爲會話（Session）的上下文（context）中執行圖

　　三、使用張量（tensor）表示數據，用「階」表示張量的維度。關於這一點須要展開一下

             0階張量稱爲標量，表示單獨的一個數

            1階張量稱爲向量， 表示一個一維數組

            2階張量稱爲矩陣，表示一個二維數組

            ……

            張量是幾階的能夠經過張量右邊的方括號數來判斷。例如 t = [ [ [    ] ] ]，顯然這個爲3階。

　　四、經過變量（Variable）維護狀態

　　五、使用feed和fetch能夠爲任意的操做賦值或者從其中獲取數據

　　Tensorflow是一個編程系統，使用圖（graphs）來表示計算任務，圖（graphs）中的節點稱之爲op（operation），一個op得到0個或者多個Tensor，執行計算，產生0個或多個Tensor，Tensor看做是一個n維的數組或列表。圖必須在會話（Session）裏被啓動。

2、tensorflow基本框架知識

一、會話

1 import tensorflow as tf     # 簡寫方便一點
2 
3 # 建立兩個常量(constant)
4 m1=tf.constant([[3,3]])     #一行兩列的矩陣，這裏是矩陣乘法，因此是二維數組，注意書寫格式以及矩陣乘法規則
5 m2=tf.constant([[2],[3]])   #兩行一列的矩陣
6 
7 # 建立一個矩陣乘法(matmul)的op
8 product=tf.matmul(m1,m2)
9 print(product)

　　運行會獲得顯示結果，其中MatMul爲節點名，0表明第0個輸出；shape是維度，（1，1）表明一行一列的張量，長度爲1；dtype指數據類型爲整型。

Tensor("MatMul:0", shape=(1, 1), dtype=int32)

　　結果並非想象中的是一個具體數字，而是一個Tensor，這是由於以前提到過 圖必須在會話中運行，如今咱們並未使用會話，因此只能獲得一個Tensor。

　　定義會話有兩種方法，通常使用第二種。

1 # method 1
2 sess=tf.Session()            # 將Session簡寫爲sess
3 result=sess.run(product)     # 調用run方法執行圖，這個觸發了三個op(操做)，兩個常量的創建，矩陣的乘法
4 print(result)
5 sess.close()                 # 關閉會話

1  # method 2
2 with tf.Session() as sess:    # Session()後面的()由於代碼提示裏沒有，因此很容易丟 3     result=sess.run(product)
4     print(result)             # with as的這種結構會自動關閉會話

運行顯示結果爲

[[15]]

注意：Session() 常常會寫錯，大小寫問題和括號問題，都是典型錯誤，多加練習

 二、變量

  上文常量使用tf.constant()表示，變量是用tf.Variable()表示

 1 import tensorflow as tf
 2 
 3 x=tf.Variable([1,2])    # 定義一個變量，這裏是張量的加減法，因此一維數組便可
 4 a=tf.constant([3,3])    # 定義一個常量
 5 
 6 sub=tf.subtract(x,a)    # 增長一個減法op
 7 add=tf.add(x,sub)       # 增長一個加法op
 8 
 9 init=tf.global_variables_initializer()   # 在tensorflow中使用變量要初始化，此條語句也能夠初始化多個變量，這句代碼提示沒有(),多加練習
10 
11 with tf.Session() as sess:
12     sess.run(init)                       # 變量初始化，也要放在會話中，才能執行
13     print(sess.run(sub))
14     print(sess.run(add))

　　運行將獲得結果

[-2 -1]
[-1  1]

　　上述代碼展現了變量的定義和初始化，但尚未體現變量的本質，下面一段代碼實現變量a進行5次+1的操做

        值得一提的是，在打印常量和變量時，不能像python中的直接print(a)，而是也須要放在sess.run()中。

 1 a=tf.Variable(0,name='counter')        # 建立一個變量初始化爲0，並命名爲counter。（此段代碼中命名無做用）
 2 new_value = tf.add(a,1)                # 建立一個加法op，做用是使state加1
 3 update=tf.assign(a,new_value)          # 此句話是賦值op，在tensorflow中，賦值也須要對應的op
 4 init=tf.global_variables_initializer() # 變量初始化
 5 with tf.Session() as sess:
 6     sess.run(init)
 7     print(sess.run(a))
 8     for i in range(5):                
 9         sess.run(update)
10         print(sess.run(a))

　　運行，顯示結果爲

0
1
2
3
4
5

 注意：初始化時，pycharm會代碼提示 tf.global_variables_initializer，但每每會把括號漏掉，需注意

            經常使用的op如今除了加減乘除，還多了個assign()的賦值op

 三、Fetch

　　sess.run([fetch1,fetch2]) 進行多個op，注意格式

 1 import tensorflow as tf
 2 
 3 input1 = tf.constant(3.0)
 4 input2 = tf.constant(2.0)
 5 input3 = tf.constant(5.0)
 6 
 7 add = tf.add(input2,input3)
 8 mul = tf.multiply(input1,add)
 9 
10 with tf.Session() as sess:
11     result = sess.run([mul,add])       # 執行了兩個op，要注意格式
12     print(result)

　　運行，結果顯示爲

[21.0, 7.0]

　　這裏須要提一下tf.matmul()是用於矩陣乘法，tf.multiply是用於點乘。正如上面這段代碼的multiply

四、placeholder佔位

　　定義變量時可先不輸入具體數值，先佔位，在會話中調用op時，再輸入具體值。

import tensorflow as tf

input1 = tf.placeholder(tf.float32)      # 使用placeholder()佔位，須要提供類型
input2 = tf.placeholder(tf.float32)
output = tf.multiply(input1,input2)

with tf.Session() as sess:
    print(sess.run(output,feed_dict={input1:8.0,input2:2.0}))  # 以字典形式輸入feed_dict

　　運行，顯示結果爲

[ 16.]

       佔位多組數據之後再說在下一篇隨筆會提到。

 

　　以上就是一些比較基本的tensorflow概念的描述和代碼實現。

 　  本人初學者，有錯誤歡迎指出。感謝。