TensorFlow入门

• tensorflow的运行机制属于“定义”与“运行”相分离，tensorflow定义的内容都在“图”这个容器中完成，关于图有几点需要理解的。
  1、一个“图”代表一个计算任务
  2、在模型运行的环节中，“图”在会话(session)里被启动
  3、session将图的节点操作发布到CPU GPU上，同时提供OP的方法

• 也就是说在tensorflow中定义的时候，其实就只是定义了图，图是静态的，在定义完成之后是不会运行的

**想让进行 图 中的节点操作，就需要使用运行函数 tf.Session.run，才能开始运行**

• MO平台运行（例子）：

import tensorflow as tf
import os
#忽略日志级别2以下的日志
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
#以上代码用于忽略级别 2 及以下的消息（级别 1 是提示，级别 2 是警告，级别 3 是错误）。
def init_Check():
#创建temsor的持久化常量
messsage = tf.constant("runing~")
#使用with简化关流
with tf.Session() as sess:
#这里输出的是字节字符串，要删除字符串引号和“b”（表示字节，byte）只保留单引号内的内容，可以使用 decode() 方法
print(sess.run(messsage).decode("UTF-8"))
if __name__ == "__main__":
init_Check()

• 计算图：是包含节点和边的网络。本节定义所有要使用的数据，也就是张量（tensor）对象（常量、变量和占位符），同时定义要执行的所有计算，即运算操作对象（Operation Object，简称 OP）。
• 每个节点可以有零个或多个输入，但只有一个输出。网络中的节点表示对象（张量和运算操作），边表示运算操作之间流动的张量。计算图定义神经网络的蓝图，但其中的张量还没有相关的数值。
• 为了构建计算图，需要定义所有要执行的常量、变量和运算操作。
• 例如两个向量相加的计算图：

• demo1：

def v_add():
#定义图的片段
v_1 = tf.constant([1,2,3,4,5])
v_2 = tf.constant([5,4,3,2,1])

v_all= tf.add(v_1, v_2)
with tf.Session() as sess:
print(sess.run(v_all))
if __name__ == "__main__":
#会话运行图
v_add()

• 使用with无需手动关闭会话，隐式关闭

• demo2：

def v_add_InteractiveSession():
# tf.InteractiveSession 将比 tf.Session 更方便。InteractiveSession 使自己成为默认会话,需要关闭会话
sess = tf.InteractiveSession()

v_1 = tf.constant([1,2,3,4,5])
v_2 = tf.constant([5,4,3,2,1])

d = tf.add(v_1, v_2)

print(d.eval())

sess.close()
if __name__ == "__main__":
v_add_InteractiveSession()

• 使用InteractiveSession创建的默认会话，需要关闭会话，但是比Session方便

常量、变量以及占位符

Tensorflow常见的支持的数据类型：

• 张量，可理解为一个 n 维矩阵，所有类型的数据，包括标量、矢量和矩阵等都是特殊类型的张量。

TensorFlow 支持以下三种类型的张量：

常量：常量是其值不能改变的张量。

变量：当一个量在会话中的值需要更新时，使用变量来表示。例如，在神经网络中，权重需要在训练期间更新，可以通过将权重声明为变量来实现。变量在使用前需要被显示初始化。另外需要注意的是，常量存储在计算图的定义中，每次加载图时都会加载相关变量。换句话说，它们是占用内存的。另一方面，变量又是分开存储的。它们可以存储在参数服务器上。

占位符：用于将值输入 TensorFlow 图中。它们可以和 feed_dict 一起使用来输入数据。在训练神经网络时，它们通常用于提供新的训练样本。在会话中运行计算图时，可以为占位符赋值。这样在构建一个计算图时不需要真正地输入数据。需要注意的是，占位符不包含任何数据，因此不需要初始化它们。

常量：

• 声明一个标量常量：

t_1 = tf.constant(4)

• 一个形如 [1，3] 的常量向量可以用如下代码声明：

t_2 = tf.constant([4,3,2])

• 要创建一个所有元素为零的张量，可以使用 tf.zeros() 函数。这个语句可以创建一个形如 [M，N] 的零元素矩阵，数据类型（dtype）可以是 int32、float32 等：

tf.zeros([M,N],tf.dtype)

• 例如：

zero_t = tf.zeros([2,3],tf.int32)

• 还可以创建与现有 Numpy 数组或张量常量具有相同形状的张量常量：

def Matrix_likeMatrix():
sess = tf.InteractiveSession()
#生成初始值为1的矩阵,或者初始为0的矩阵
Matrix1 = tf.ones([9,9], tf.int32)
Matrix4 = tf.zeros([18,18], tf.int32)
#克隆shape相同的1或0的矩阵
Matrix2 = tf.ones_like(Matrix1)
Matrix3 = tf.zeros_like(Matrix2)

print(sess.run(Matrix1))
print(sess.run(Matrix2))
print(sess.run(Matrix3))
print(sess.run(Matrix4))

sess.close()
if __name__ == "__main__":
Matrix_likeMatrix()

• 在一定范围内生成一个从初值到终值等差排布的序列：相应的值为 (stop-start)/(num-1)。例如：

tf.linspace(start,stop,num)
#num设置步长

#range_t = tf.linspace(2.0,5.0,5)#We get:[2. 2.75 3.5 4.25 5.]

• 从开始（默认值=0）生成一个数字序列，增量为 delta（默认值=1），直到终值（但不包括终值）：下面给出实例：

tf.range(start,limit,delta)

• 例子：

def Number_sequence():
#只有一个参数的时候表示以1为增量，从0到n，两个参数的时候表示m~n，增量为1，三个参数最后一个表示增量
num_se = tf.range(10,50,4)
with tf.Session() as sess:
print(sess.run(num_se))
if __name__ == "__main__":
Number_sequence()