tensorflow(一)：基础

一、张量

1、张量的概念

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阶张量可以理解为一个n维数组。需要注意的是，张量并没有真正保存数字，它保存的是计算过程。

2、张量的属性

以张量Tensor("Add:0", shape=(), dtype=float32) 为例：

（1）名字（Name）

属性的第一项就是名字，一般形式为“node:src_output”，node表示节点名称，src_output 来自节点的第几个输出。

（2）形状（Shape）

属性的第二项是维度，张量的维度可以用三个术语来描述：阶（Rank）、形状（Shape）、维数（Dimension Number）。一般表示形式如表1所示。

阶	形状	维数	例子
0	()	0-D	4
1	(D0)	1-D	[2,3,5]
2	(D0,D1)	2-D	[[2,3],[3,4]]
3	(D0,D1,D2)	3-D	[[[7],[3]],[[2],[4]]]
N	(D0,D1,…,Dn-1)	N-D	形为(D0,D1,…,Dn-1)的张量

表3-1 张量的维度表示

（3）类型（Type）

每一个张量会有一个唯一的类型,TensorFlow在进行运算的时候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.

TensorFlow支持14种不同的类型：

实数 tf.float32, tf.float64

整数 tf.int8, tf.int16, tf.int32, tf.int64, tf.uint8

布尔 tf.bool

复数 tf.complex64, tf.complex128

默认类型：不带小数点的数会被默认为int32，带小数点的会被默认为float32。

二、常量与变量

1、常量 Constant

常量指在运行过程中不会改变的值，在TensorFlow中无需进行初始化操作。

创建语句：

Constant_name = tf.constant(value)

常量在TensorFlow中一般被用于设置训练步数、训练步长和训练轮数等超参数，此类参数在程序执行过程中一般不需要被改变，所以一般被设置为常量。

2、变量 Variable

变量是指在运行过程中会改变的值，在TensorFlow中需要进行初始化操作。

创建语句：

name_variable = tf.Variable(value, name)

注意：V是大写字母

个别变量初始化：

init_op = name_variable.initializer()

使用TensorFlow编写一个简单的神经网络一般会用到几十个变量，若编写大型的神经网络，往往会使用到成千上万个变量。若每个变量定义完都要初始化未免太过繁琐，所以TensorFlow有提供所有变量初始化的语句。所有变量初始化：

init_op = tf.global_variables_initializer()

# 一个简单计算图

node1 = tf.constant(3.0,tf.float32,name="node1")

node2 = tf.constant(4.0,tf.float32,name="node2")

node3 = tf.add(node1, node2)

print(node3)



# 建立对话并显示运行结果

sess = tf.Session()



print("运行sess.run(node1)的结果：", sess.run(node1))

# 更新变量并返回计算结果

print("运行sess.run(node3)的结果：", sess.run(node3))



# 关闭session

sess.close()

三、会话

# 定义计算图

tens1 = tf.constant([1,2,3])



# 创建一个会话

sess = tf.Session()

try:

#使用这个创建好的会话来得到关心的运算的结果。比如可以调用 sess.run(result)

#来得到张量result的取值

    print(sess.run(tens1))

except:

    print("Exception!")

finally:

#关闭会话使得本次运行中使用到的资源可以被释放

    sess.close()

node1 = tf.constant(3.0,tf.float32,name="node1")

node2 = tf.constant(4.0,tf.float32,name="node2")

result = tf.add(node1, node2)



#创建一个会话，并通过Python中的上下文管理器来管理这个会话

with tf.Session() as sess:

    #使用这创建好的会话来计算关心的结果

    print(sess.run(result))



# 不需要再调用 Session.close() 函数来关闭会话

# 当上下文退出时会话关闭和资源释放也自动完成了

四、变量的赋值

与传统的编程不同，在TensorFlow中变量定义和初始化后，一般无需人工进行赋值，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。这部分的内容在后面我们使用TensorFlow实现机器学习的一些算法的时候会更加有体会。

TensorFlow中的变量可以通过设置trainable参数来确定在训练的时候是否更新其值，如前面提到训练轮数一般设置为常量，但如果设置为变量，可以设置trainable=False，同样可以达到程序执行过程中不改变其值的目的。前面提到的训练轮数可以用以下语句进行变量赋值：

epoch = tf.Variable(0,name='epoch',trainable=False)。

但是当TensorFlow中有特殊情况需要对变量进行人工更新，也是可以用变量的更新语句的，例如：

update_op = tf.assign(variable_to_be_updated, new_value)。

import tensorflow as tf



value = tf.Variable(0, name="value")

one = tf.constant(1)

new_value = tf.add(value, one)

update_value = tf.assign(value, new_value)



init = tf.global_variables_initializer()



with tf.Session() as sess:

    sess.run(init)

    for _ in range(10):

        sess.run(update_value)

        print(sess.run(value))

五、占位符

前文提到，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。

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中的占位符虽然定义完之后不需要对其值进行初始化，但是需要确定其数据的Type和Shape。占位符的函数接口如下：

tf.placeholder(dtype, shape=None, name=None)

1、Feed提交数据

在TensorFlow中如果构建了一个包含placeholder操作的计算图，在程序执行当在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。图12提供了一个Feed的样例。

注：多个操作可以通过一次Feed完成执行

2、 Fetch提取数据

会话运行完成之后，如果我们想查看会话运行的结果，就需要使用fetch来实现，feed、fetch一般搭配起来使用

import tensorflow as tf

a = tf.placeholder(tf.float32, name='a')

b = tf.placeholder(tf.float32, name='b')

c = tf.multiply(a, b, name='c')

init = tf.global_variables_initializer()

with tf.Session() as sess:

#    sess.run(init)

    # 通过feed_dict的参数传值，按字典格式

    result = sess.run(c, feed_dict={a:10.0, b:3.5})

print(result)

import tensorflow as tf

a = tf.placeholder(tf.float32, name='a')

b = tf.placeholder(tf.float32, name='b')

c = tf.multiply(a, b, name='c')

d = tf.subtract(a, b, name='d')

with tf.Session() as sess:

    #返回的两个值分别赋给两个变量

    rc,rd = sess.run([c,d], feed_dict={a:[8.0,2.0,3.5], b:[1.5,2.0,4.]})

    print("value of c=",rc,"value of d=",rd)

六、tensorboard可视化

1、在TensorBoard中查看图结构

图3-15 在TensorBoard中查看图结构

上图代码中的Logdir指定的目录为运行后产生日志文件的目录，如图16所示我们可以打开文件管理器进行查看。

图 3-16 日志目录

2、启动TensorBoard

TensorBoard不需要额外安装，在TensorFlow安装时已自动完成，在Anaconda Prompt中先进入日志存放的目录（注：非常重要），再运行TensorBoard，并将日志的地址指向程序日志输出的地址。

命令：tensorboard --logdir=/path/log （/path/log为产生日志文件的目录）

启动服务的端口默认为6006；使用 --port 参数可以改编启动服务的端口。

TensorBoard是一个在本地启动的服务，启动完成后在浏览器网址：http://localhost:6006即可进行访问。

3、TensorBoard常用API

API	描述
tf.summary.FileWrite()	创建FileWriter和事件文件，会在logdir中创建一个新的事件文件
tf.summary.FileWriter.add_summary()	将摘要添加到事件文件
tf.summary.FileWriter.add_event()	向事件文件添加一个事件
tf.summary.FileWriter.add_graph()	向事件文件添加一个图
tf.summary.FileWriter.get_logdir()	获取事件文件的路径
tf.summary.FileWriter.flush()	将所有事件都写入磁盘
tf.summary.FileWriter.close()	将事件写入磁盘，并关闭文件操作符
tf.summary.scalar()	输出包含单个标量值的摘要
tf.summary.histogram()	输出包含直方图的摘要
tf.summary.audio()	输出包含音频的摘要
tf.summary.image()	输出包含图片的摘要
tf.summary.merge()	合并摘要，包含所有输入摘要的值

表3-2 TensorBoard常用API

import tensorflow as tf

#清除default graph和不断增加的节点

tf.reset_default_graph() 

# logdir改为自己机器上的合适路径

logdir='D:/log'

#定义一个简单的计算图，实现向量加法的操作

input1 = tf.constant([1.0, 2.0, 3.0], name="input1")

input2 = tf.Variable(tf.random_uniform([3]), name="input2")

output = tf.add_n([input1, input2], name="add")

#生成一个写日志的writer，并将当前的TensorFlow计算图写入日志。

writer = tf.summary.FileWriter(logdir,tf.get_default_graph())

writer.close()