tensorflow笔记（一）之基础知识

tensorflow笔记（一）之基础知识

http://www.cnblogs.com/fydeblog/p/7399701.html

前言

这篇notebook将一步步构建一个tensorflow的线性回归的例子，并讲述其中的一些基础知识。我会把notebook文件放在结尾的百度云链接。

首先第一步，要安装tensorflow，这个网上的教程很多，我安装的版本是ubuntu下1.2.1的tensorflow，推荐用pip（一步就好）这里附上一个安装教程的链接https://www.leiphone.com/news/201606/ORlQ7uK3TIW8xVGF.html ，安装ubuntu系统的直接看必不可少的python-pip和python-dev的那部分，这篇博客的博主安装的是0.8版本的，所以你需要改一下版本，由于我的电脑不支持gpu加速，所以安装的是cpu，这两个还是很有区别的，建议有gpu的还是装gpu版本的，后面跑程序快一些，举个例子，我在跑cnn卷积神经网络的手写识别的程序，没有gpu加速，跑了40分钟，有估计会很快，上面链接是cpu版本的，gpu版本应该也差不错，只有自己去安装了。

1. tensorflow的基本结构

我们先从python中导入tensorflow

import tensorflow as tf

这样命名比较简单明了，如果运行这行出现错误，说明你没有安装成功

matrix1 = tf.constant([[3., 3.]])  #1 row by 2 column

matrix2 = tf.constant([[2.],[2.]]) # 2 row by 1 column

这里用tf.constant创建了两个矩阵matrix1和matrix2，想知道如何去使用tf的函数，请点击https://www.tensorflow.org/api_docs/python/这个网址，里面是tf的api文档，可以直接在上面的搜索框内搜任何一个函数，可以看函数功能，参数，返回值等等。
这里的tf.constant函数是创建一个常量，返回值等于函数的输入参数，之所以要用tf.constant，这是因为tensorflow有一个特别的地方，那就是用tensorflow的函数创建或返回一个数据，相当于一个源op，源op相当于tensorflow中最小的单元，每一个数据都是一个源op

创建完前面的两个常量后，我们开始矩阵相乘

product = tf.matmul(matrix1, matrix2)

tf.matmul函数是tensorflow里面的矩阵相乘函数。product也是一个源op，现在我们讲讲图（graph）的概念，tensorflow中图表示计算任务，上面几行代码似乎看不到图的生成过程哈，这是因为tensorflow有一个默认图，它已经能满足大部分需求，所以不需要构建图，目前笔记都会是默认图，多图操作我现在还不会，看以后有没有机会写吧。在这个默认图中，已经有三个源op了，分别是product，matrix1和matrix2，我们可以将三个源op看作默认图中的三个节点，但这三个节点是有关系的，product节点连接这matrix1和matrix2节点，有点像树的分叉，product相当于主干，matrix1和matrix2相当于两个分支。

然后我们要创建一个会话

sess = tf.Session()

tensorflow要求所有的任务必须在会话中运行，上面这个语句就是创建一个会话

然后我们在会话中运行product

sess.run(product)

返回结果1X1的矩阵，数据类型是float32（tensorflow的默认类型）

我们来自顶向下看，最顶的是会话（Session），然后会话中包括了各种任务，也是graph，任务又是由不同的源op组成。我用tensorboard画了图(tensorboard是tensorflow可视化的一个非常好的工具，这个后面会说)，如图

2. tensorflow下的回归实例

好了，现在我们开始举一个回归例子来实践一下吧

import tensorflow as tf

import numpy as np

## prepare the original data

x_data = np.random.rand(100).astype(np.float32)

y_data = 0.3*x_data+0.1

##creat parameters

weight = tf.Variable(tf.random_uniform([1],-1.0,1.0))

bias = tf.Variable(tf.zeros([1]))

##get y_prediction

y_prediction = weight*x_data+bias

##compute the loss

loss = tf.reduce_mean(tf.square(y_data-y_prediction))

##creat optimizer

optimizer = tf.train.GradientDescentOptimizer(0.5)

#creat train ,minimize the loss

train = optimizer.minimize(loss)

#creat init

init = tf.global_variables_initializer()

##creat a Session

sess = tf.Session()

##initialize

sess.run(init)

## Loop

for step  in  range(101):

    sess.run(train)

    if step %10==0 :

        print step ,'weight:',sess.run(weight),'bias:',sess.run(bias)

第一项是准备数据，使用了numpy的函数，随机生成100个float32型的数据，并生成相应的观测值y
第二项是生成训练参数，权重weight和偏差bias，这个是tf.Variable函数生成了，这个函数非常常用，变量都是用它来生成的
第三项是得到预测值，通过上面的参数与x_data运算得到
第四项计算损失，观测值与预测值相差平方取平均
第五项生成一个优化器，使用的是梯度下降优化器
第六项则是用优化器去最小化损失
第七项是生成初始化op,相当于所有变量初始化的开关，在sess里运行则所有变量进行初始化
第八项是生成会话session
第九项是初始化所有变量，只有用tf.Variable函数，都要用这个sess.run(init)初始化，不然参数没有进行初始化，无法迭代更新
第十项是循环训练，执行train，它会最小化损失，在这个过程中，参数也在不停地更新，我们用print打印出了步数和参数值

这个说一句，使用tf函数生成的源op，必须在会话中运行，上面一小节我们讲了自顶向下看，这里的顶是train，最下面是参数，sess.run(train)会带动它各个分支和分支下面的分支运行

上述程序输出结果如下

为了方便理解，我用tensorboard画了流动图，如图

结尾

基础知识到一段落了，希望这篇文章能对你学习tensorflow有帮助，由于博主能力有限，若有错误之处，还请不吝指教！谢谢！

百度云链接：https://pan.baidu.com/s/1eBDs0ey4K9-3rVnsJOorag