Tensorflow的会话以及高级API

会话

• 一个运行Tensorflow operation的类，会话开启的两种方式：

tf.Session():用于完整的程序中

tf.InteractiveSession():用于交互上下文中的Tensorflow，例如：shell

• init(target='',graph=None,config=None):初始化会话

• graph：默认情况下，session绑定默认图
• target：访问远程设备，指定grpc://网址
• config：允许指定一个tf.ConfigProto控制会话行为，如：ConfigProto协议用于打印设备

#所有的op、sess、tensor都是在同一张图中，即内存地址相同
def graph_demo():
v_data1 = tf.constant([1, 2, 3])
v_data2 = tf.constant([3, 2, 1])
v_data3 = tf.add(v_data1, v_data2)

default_graph = tf.get_default_graph()
print(default_graph)
print(v_data2.graph)

with tf.Session(config=tf.ConfigProto(allow_soft_placement=True,log_device_placement=True)) as sess:
print(sess.graph)

• run:

• fetche:单一的operation，或者列表、元组（不属于tensorflow类型的不行）
• feed_dict:参数允许调用覆盖图中的值，进行赋值

• 与tf.placeholder搭配使用，检查值的形状与占位符号是否兼容

def place_constant():
#placholder占位类型
a = tf.placeholder(tf.int32)
b = tf.placeholder(tf.int32)
c = tf.add(a, b)

with tf.Session() as sess:
#使用run中的feed_dict进行传值
print(sess.run(c,feed_dict={a:1, b:2}))

• 查看张量的值，只能在会话中查看

sess.run()

.eval()

张量

• TensorFlow的张量就是一个n维数组

• type:数据类型
• shape:形状

• ​​张量类型​​
• 张量的阶

• 创建张量的时候，如果不指定类型
  默认tf.float32
  整型：tf.int32
  浮点型：tf.float32

张量的变换

类型变换

def Matrix_cast():
matrix1 = tf.random_normal(shape=[9, 9],mean=1.8,stddev=5,seed=12)
#查看类型
print(matrix1.dtype)
#tf.to....转换指定to..类型
matrix2 = tf.to_int64(matrix1)
print(matrix2)
#转换成想要的类型,cast不会修改原本的tensor，返回修改内之后的tensor
matrix3 = tf.cast(matrix2, dtype=tf.float64)
print(matrix3)
with tf.Session() as sess:
print(sess.run(matrix2))

形状修改
静态形状（不能跨阶数）—-一开始创建的张量的形状,确定了维数就不能改变维数了1-D到1-D，2-D到2-D...

• 修改静态形状，只有形状没有固定下来的情况下，才能改

def place_mattrix():
#占位，未确定shape
a = tf.placeholder(dtype=tf.float32, shape=[None, None])
b = tf.placeholder(dtype=tf.float32, shape=[None, 10])
c = tf.placeholder(dtype=tf.float32, shape=[8, 8])
#填充占位
a.set_shape([9, 9])
b.set_shape([9, 10])
print(a)
print(b)
print(c)

• 动态形状修改(可以跨阶数)，只会返回修改之后的tensor，不会修改原始的tensor

def d3_place_matrix():
#占位，未确定shape
a = tf.placeholder(dtype=tf.float32, shape=[None, None])
b = tf.placeholder(dtype=tf.float32, shape=[None, 10])
c = tf.placeholder(dtype=tf.float32, shape=[7,8]),
#动态修改，可更改阶数，不能改变数量，但是不能修改元素的数量，列入c的[7,8]可以[8,7,1]不能[10,5,1]
a_reshaped = tf.reshape(a, shape=([1, 2, 3]))
c_reshaped = tf.reshape(c, shape=([8, 7, 1]))
print(a)
print(b)
print(c)
print(a_reshaped)
print(c_reshaped)

变量OP

• 变量的特点：

存储持久化

可修改值

可指定被训练

• 创建变量

def Variable_sc():
#tf.variable_scope修改命名空间使结构更加清晰
with tf.variable_scope("my_scopr1"):
a = tf.Variable(initial_value=88)
b = tf.Variable(initial_value=99)
with tf.variable_scope("my_scope2"):
c = tf.add(a, b)
print(a)
print(b)
print(c)
with tf.Session() as sess:
#初始化全局变量
sess.run(tf.global_variables_initializer())
print(sess.run(c))

基础API

tf.app
相当于为Tensorflow脚本提供main函数入口

tf.image
Tensorflow的图像处理，主要颜色变换，变形和解码

tf.gfile
提供文件操作函数

tf.summary
生成TensorBoard可用的统计日志，目前四种类型：
audio、image、histogram、scalar

tf.python_io
读取TFRecords文件

tf.train
提供训练器，和tf.nn结合一起，实现网络的优化计算

tf.nn
提供构建神经网络的底层函数，核心模块
其中包括各种层的函数，比如：卷积层、池化层等

高级API

tf.keras
深度学习库

tf.layers
以更高级的概念层定一个模型，类似keras

tf.contrib
提供够计算图中的网络层、正则化、摘要操作、是构建计算图的高级操作

tf.estimator
实现几种简单的分类器和回归器，这里的DNN的网络，只是全连接网络，没有提供卷积之类的