tensorflow简介与结构介绍

1、知识点

"""
tensorflow前端系统：定义程序的图结构，主要是利用一些API实现
tensorflow后端系统：运算图结构
numpy的reshape,在原始数据做修改，并没有创建新的数据对象
1、安装：按照官方文档安装
        a）安装python,pip
        b）升级 python -m pip install --upgrade pip
        c）win10安装CPU版本tensorflow ,pip install https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow-1.12.0-cp36-cp36m-win_amd64.whl
2、报警告1：FutureWarning: Conversion of the second argument of issubdtype from
    解决方法：pip install h5py==2.8.0rc1
   报警告2：Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA
    解决方法：
            import os
            os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
3、tensorflow结构
    椭圆代表张量，简称tensor：tensorflow中所有的数据都封装在tensor中
    方块，简称operation(op)：专门运算的操作节点，所有的操作都是op
    图(graph)：整个程序的结构
    会话(Session)：运算程序的图

4、a）图：运行程序的结构
    图默认已经注册，一组表示 tf.Operation计算单位的对象和tf.Tensor。表示操作之间流动的数据单元的对象
    获取调用：
            tf.get_default_graph()
            op、sess或者tensor 的graph属性
    图的作用：主要给程序分配内存

    图的创建：
        1、创建默认的图：graph = tf.get_default_graph()
        2、自定义图： g = tf.Graph()

    b）op:只要使用tensorflow的api定义的函数都是OP

    c）张量(tensor):就指代的是数据，op是tensor的载体

    d）会话(Session)：相当于桥梁，将图和计算资源连接起来
        会话作用：
                1、运行图的结构
                2、分配资源计算
                3、掌握资源(变量的资源，队列，线程)

        注意：一个会话只能运行一个图结构 ,但可以在Session中指定图去运算
        查看会话的资源情况：tf.Session(config=tf.ConfigProto(log_device_placement=True))
        启动会话：sess.run()
        关闭会话：sess.close()

        启动会话(sess.run()):
            1、run()中的参数必须是tensor或者op类型
            2、如果变量想转换为tensor类型，可以和tensor做运算，提升数据类型
            3、实时的提供数据进行训练，feed_dict与placeholder结合使用
            4、placeholder是一个占位符

        Session一般返回异常值：
            1、RuntimeError：如果它Session处于无效状态（例如已关闭）。
            2、TypeError：如果fetches或feed_dict键是不合适的类型。
            3、ValueError：如果fetches或feed_dict键无效或引用 Tensor不存在。

5、张量(tensor):是tensorflow基本的数据格式。类似于numpy
    张量的阶和数据类型： 包含：name,shape,dype
    张量的属性：graph,op,name,shape
    张量形状表示：
        0维：()   1维：(5)  2维：(5,6)    3维：(2,3,4)
    张量形状：包含动态形状和静态形状
            1、动态形状：一种描述张量在执行过程中的一种形状
                    tf.reshape:创建一个具有不同形状的新张量
            2、静态形状：创建一个张量，初始状态的形状
                    tf.Tensor.get_shape:获取静态形状
                    tf.Tensor.set_shape():更新tensor对象的静态形状
            注意：1、静态形状固定了，就不能再次设置形状，只能使用动态形状，但会创建一个新的张量
                  2、动态形状改变，数据数量一定要匹配            

6、运算API:正太分布主要通过平均值和标准差进行表示
    1、生成张量：tf.zeros() 、tf.ones() 、tf.constant()
    2、随机值张量：
                正太分布(高斯分布)随机值：tf.random_normal()
                截断的正太分布(高斯分布)随机值：tf.truncated_normal()
    3、张量数据类型变换：
            tf.cast(x,dtype) 万能转换类型
            tf.squeeze()
    4、拼接：tf.concat(values,axis)

7、变量：tf.Variable(),是一种OP，是一种特殊的张量，能够进行存储持久化，他的值就是张量，默认被训练
        1、变量必须都初始化,且要在session中运行 tf.global_variables_initializer()

8、视图(tensorboard):首先将程序图结构序列化成一个event文件，然后通过tensorboard读取这个event文件
        1、tf.summary.FileWriter("",graph=)
            SCALARS:显示0维读值，如准确率，损失值
            GRAPHS:显示程序图图结构
            HISTOGRAPHS:高维的值，如权重，偏置
        2、报错：No dashboards are active for the current data set
            原因：因为没有读取到event文件，所以检查运行语句中logdir是否正确： tensorboard --logdir="./tmp/"

"""

2、代码

# coding = utf-8
import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = ''

#变量op
def vari():
    a = tf.constant([1,2,3])
    var = tf.Variable(tf.random_normal([2,3],mean=0.0,stddev=1.0))
    print(a,var)
    init_op = tf.global_variables_initializer() #变量初始化
    with tf.Session() as sess:
        sess.run(init_op)  #运行初始化变量
        file = tf.summary.FileWriter("./tmp", graph=sess.graph)
        print(sess.run([a, var]))

#图的创建
def createGraph():
    g = tf.Graph()
    #with表示设定上下文环境
    with g.as_default():
        c = tf.constant(11.0)
        print(c.graph)

def addTest():
    a = tf.constant(5.0)
    b = tf.constant(6.0)
    s = tf.add(a,b)
   # print(s)
    graph = tf.get_default_graph() #主要是分配内存
   # print(graph)
    plt = tf.placeholder(tf.float32,[None,3]) #None表示样本数不固定
    with tf.Session() as sess:
        print(sess.run(plt,feed_dict={plt:[[1,2,3],[4,5,6]]}))
        #print(sess.run(s))
        print(s.eval()) #使用eval()取值
        #打印的地址一致
        print(a.graph)
        print(s.graph)
        print(sess.graph)

def shape():
    plt = tf.placeholder(tf.float32,[None,2])
    plt.set_shape([3,2]) #静态修改

if __name__ == '__main__':
    vari()