TensorFlow 编程基础

1、TensorFlow

　　安装：https://www.cnblogs.com/pam-sh/p/12239387.html

　　　　　https://www.cnblogs.com/pam-sh/p/12241942.html

• 是一个开放源代码软件库，用于进行高性能数值计算
• 借助其灵活的架构，用户可以轻松地将计算工作部署到多种平台
（CPU、GPU、TPU）和设备（桌面设备、服务器集群、移动设备、边
缘设备等）
• TensorFlow™ 最初是由 Google Brain 团队（隶属于 Google 的 AI
部门）中的研究人员和工程师开发的，可为机器学习和深度学习提供
强力支持

TensorFlow 的Hello world：

2、计算图：

TensorFlow = Tensor + Flow

Tensor 张量
数据结构：多维数组

Flow 流
计算模型：张量之间通过计算而转换的过程

TensorFlow是一个通过 计算图的形式表述计算的编程系统
每一个计算都是计算图上的一个节点
节点之间的边描述了计算之间的关系

计算图是一个有向图，由以下内容构成：
　　• 一组节点，每个 节点都代表一个 操作，是一种 运算
　　• 一组有向边，每条 边代表节点之间的 关系（数据传递和
控制依赖）

计算图（数据流图）的概念
TensorFlow有两种边：
　　• 常规边（实线）：代表数据依赖关系。一个节点的运算输出成
　　为另一个节点的输入，两个节点之间有tensor流动（ 值传递）
　　• 特殊边（虚线）：不携带值，表示两个节点之间的 控制相关性。
　　比如， happens- - before 关系，源节点必须在目的节点执行前完
　　成执行

3、张量：

• 在TensorFlow中，所有的数据都通过张量的形式来表示
• 从功能的角度，张量可以简单理解为多维数组
　　零阶张量表示 标量（scalar），也就是 一个数；
　　一阶张量为 向量（vector），也就是 一维数组；
　　n n 阶张量可以理解为一个n n 维数组；
• 张量并没有真正保存数字，它保存的是计算过程

　　张量的属性：

名字（ name ）
“node:src_output”：node 节点名称，src_output 来自节点的第几个输出
形状（ shape ）
张量的维度信息， shape=() ，表示是标量

类型（ type ）
每一个张量会有一个唯一的类型
TensorFlow会对参与运算的所有张量进行类型的检查，发现类型不匹配时会报错

阶为1的张量等价于向量；
阶为2的张量等价于矩阵，通过 t[ i,j ] 获取元素；
阶为3的张量，通过 t[ i,j,k ] 获取元素；

4、操作：

5、Session：

会话拥有并管理TensorFlow程序运行时的所有 资源
当所有计算完成之后需要 关闭会话帮助系统

指定默认会话：

TensorFlow不会自动生成默认的会话，需要手动指定
当默认的会话被指定之后可以通过 tf.Tensor.eval 函数来计算一个张量的取值

交互式环境下设置默认会话:

在交互式环境下，Python脚本或者Jupyter编辑器下，通过设置默认会话来获取张量的取值
更加方便
n tf.InteractiveSession 使用这个函数会自动将生成的会话注册为默认会话

6、常量和变量：

在运行过程中值不会改变的单元，在TensorFlow中无须进行初始化操作
创建语句：
constant_ name = tf.constant

在运行过程中值会改变的单元，在TensorFlow中须进行初始化操作
创建语句：
e name_variable = tf.Variable (value, name)
个别变量初始化：
p init_op = name_variable.initializer ()
所有变量初始化：
p init_op = tf.global_variables_initializer ()

变量的赋值：　

　　• 与传统编程语言不同，TensorFlow中的变量定义后，一般 无需人工赋值，系统会根据算法模型，训练优化过程中 自动调整变量对应的数值

　　• 后面在将机器学习模型训练时会更能体会，比如权重Weight变量w，经过多次迭代，会自动调：

• 特殊情况需要人工更新的，可用变量赋值语句
变量更新语句：
update_op = tf.assign(variable_to_be_updated, new_value)

通过变量赋值依次输出1、2、3、....、10

　　通过变量赋值计算1+2+3+.....+10：

　　占位符  placeholder：

• TensorFlow中的 Variable 变量类型，在定义时需要初始化，但有些变量
定义时并不知道其数值，只有当真正开始运行程序时，才由外部输入，
比如训练数据，这时候需要用到 占位符
• tf.placeholder 占位符，是TensorFlow中特有的一种数据结构，类似动
态变量，函数的参数、或者C语言或者Python语言中格式化输出时的“%”
占位符

• TensorFlow占位符Placeholder，先定义一种数据，其参数为数据的
Type和Shape
占位符Placeholder的函数接口如下：
tf.placeholder(dtype, shape=None, name=None)

　　　　 Feed 提交数据和 Fetch 提取数据：

如果构建了一个包含placeholder操作的计算图，当在session中调用run方法时，placeholder占用的变量必须通过 feed_dict参数传递进去，否则报错：

多个操作可以通过一次Feed完成执行：

　　　　　　一次返回多个值分别赋给多个变量：

计算1+2+...+n: