机器学习之路： 初识tensorflow 第一个程序

计算图

tensorflow是一个通过计算图的形式来表示计算的编程系统
tensorflow中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依赖关系

张量 tensor
张量可以简单理解成多维数组
零阶张量为 标量 scala 也就是一个数
n阶张量可以理解为n维数组

张量没有保存真正的数字 而是保存一个结果运算过程的引用 并不会执行加法运算
获得一个张量 使用tf.constant(value, name, shape, dtype)
dtype为数值类型,不同类型之间不能进行操作

会话 session
会话用来执行定义好的运算
管理tensorflow运行时的资源
计算完成后资源回收
会话指定之后 可以通过tf.Tensor.eval() 来计算一个张量的取值

变量
tf.Variable
作用是保存和更新神经网络中的参数
经常用随机数来初始化变量
常用的随机数生成器:
tf.random_normal 正太分布
tf.truncated_normal 正太分布 如果平均值超过两个标准差就重新随机
tf.random_uniform 均匀分布
tf.random_gamma Gamma分布
tf.zeros 产生全0数组
tf.ones 产生全1数组
tf.fill 给定数字数组
tf.constant 定量值

git:  https://github.com/linyi0604/MachineLearning/tree/master/07_tensorflow/

 import tensorflow as tf

 '''
 计算图

 tensorflow是一个通过计算图的形式来表示计算的编程系统
 tensorflow中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依赖关系
 '''
 # 1 计算图的使用
 # 获得系统默认的计算图
 # print(tf.get_default_graph)     # <function get_default_graph at 0x7f484912be18>
 # 生成新的计算图
 g1 = tf.Graph()
 with g1.as_default():
     # 在计算图g1中定义变量v 设置为0
     v = tf.get_variable(name="v",
                         initializer=tf.zeros_initializer(),
                         shape=[1])
 g2 = tf.Graph()
 with g2.as_default():
     # 在图g2中定义变量v 初始值1
     v = tf.get_variable(name="v",
                         initializer=tf.ones_initializer(),
                         shape=[1])

 # 在图1中读取变量v的值
 with tf.Session(graph=g1) as sess:
     # 初始化所有变量
     tf.initialize_all_variables().run()
     with tf.variable_scope("", reuse=True):
         print(sess.run(tf.get_variable(name="v")))   # [0.]

 # 在图2中读取变量v的值
 with tf.Session(graph=g2) as sess:
     # 初始化所有变量
     tf.initialize_all_variables().run()
     with tf.variable_scope("", reuse=True):
         print(sess.run(tf.get_variable(name="v")))  # [1.]

 g = tf.Graph()
 # 指定运行设备
 with g.device("/gpu:0"):
     pass

 '''
 张量 tensor
 张量可以简单理解成多维数组
 零阶张量为 标量 scala   也就是一个数
 n阶张量可以理解为n维数组

 张量没有保存真正的数字 而是保存一个结果运算过程的引用 并不会执行加法运算
 获得一个张量 使用tf.constant(value, name, shape, dtype)
 dtype为数值类型,不同类型之间不能进行操作

 '''
 # tf.constant 是一个计算 结果为一个张量
 a = tf.constant([1.0, 2.0], name="a")
 b = tf.constant([2.0, 3.0], name="b")
 result = tf.add(a, b, name="add")
 # print(result)   # Tensor("add:0", shape=(2,), dtype=float32)

 '''
 会话 session
 会话用来执行定义好的运算
 管理tensorflow运行时的资源
 计算完成后资源回收
 会话指定之后 可以通过tf.Tensor.eval() 来计算一个张量的取值
 '''
 # 开启会话
 with tf.Session() as sess:
     with sess.as_default(): # 注册默认会话 计算张量的值
         # result为之前张量a和b的加法引用
         print(result.eval())    # [3. 5.]

 '''
 变量
 tf.Variable
 作用是保存和更新神经网络中的参数
 经常用随机数来初始化变量
 常用的随机数生成器:
     tf.random_normal 正太分布
     tf.truncated_normal 正太分布 如果平均值超过两个标准差就重新随机
     tf.random_uniform 均匀分布
     tf.random_gamma Gamma分布
     tf.zeros 产生全0数组
     tf.ones 产生全1数组
     tf.fill 给定数字数组
     tf.constant 定量值
 '''
 # 声明一个变量 随机生成 2*3的矩阵 满足正太分布 均值为0 标准差为2
 weights = tf.Variable(tf.random_normal(shape=[2,3], stddev=2, mean=0))
 # 生成三个零的数组变量
 bias = tf.Variable(tf.zeros(shape=[3]))
 # 也支持用其他变量初始化的形式声明变量
 # 与weight相同
 w2 = tf.Variable(weights.initialized_value())
 # 是weight的两倍
 w3 = tf.Variable(weights.initialized_value()*2)