【TensorFlow】TensorFlow第一课：安装与基本概念

一，安装

    Google官方在11月29号的开发者博客中宣布新的版本（0.12）将 增加对Windows的支持，所以对于windows的用户来说，安装TensorFlow将会轻松很多，安装过程非常简单，不过也有一些需要手动调整。

    TensorFlow 有两个版本：CPU 版本和 GPU 版本。GPU 版本需要 CUDA 和 cuDNN 的支持，CPU 版本不需要。如果你要安装 GPU 版本，请先在这里 确认你的显卡支持 CUDA。

     CPU的版本安装很简单，我是在Anaconda下采样pip的方式安装的：

     在Anaconda Prompt模式下，使用命令：

pip install  tensorflow

     可以使用如下代码来测试，安装情况：

>>>import tensorflow as tf  
>>>sess = tf.Session()  
>>>a = tf.constant(10)  
>>>b = tf.constant(22)  
>>>print(sess.run(a + b))  
32  

    

二，基本概念

    1,选择TensorFlow的原因：

    a，Google 很强大；         b，Python接口；           c，高移植性；     d，可视化强；     e，社区强大

    2,TensorFlow的核心概念：Graph和Session

    TensorFlow：张量在图中流动。

    类似于spark的惰性计算，TensorFlow是先定义图，然后再计算的。这种计算的定义和执行被分割开来的操作，有利于做分布式处理。

    Tensor+Flow：张量在图中通过运算（op）进行传递和变换。Tensor可以被理解成n维矩阵。

    模型跑起来， 你需要2步：一，描绘整幅图(定义计算)；二，  在session当中执行图中的运算 

    1，Session与Graph

    import tensorflow as tf	
    a = tf.add(3,5)		
    sess = tf.Session()		
    print sess.run(a)		
    sess.close()

    Session 会在计算图里找到 a 的依赖， 把依赖的节点都进行计算  
    为了便捷建议写法如下：

   import tensorflow as tf	
   a = tf.add(3,5)				
   with tf.Session() as sess:
       print sess.run(a)	

     使用with语句，程序最后会自动关闭Session。

    假如要计算的表达式是：（x*y）的（x+y次幂）。

    图构建如下：

    代码如下：

    x= 2
    y= 3	
    op1=tf.add(x, y)			
    op2=tf.mul(x, y)	
    op3=tf.pow(op2,	op1)			
    with tf.Session() as sess:
        op3= sess.run(op3)	

    如果需要可以同时运行几个运算节点：

    with tf.Session() as sess:
        z, not_useless	= sess.run([pow_op, useless])

三，了解tesnorboard 

        tesnorboard 是TensorFlow可视化的利器，其原理就是TF在运行的过程中不断的将session写入到日志文件中，然    后tesnorboard 从日志文件中读取数据，最后做可视化。如下代码所示：

  import tensorflow as tf	
	a = tf.constant(2)		
	b = tf.constant(3)	
	x = tf.add(a, b)	
	with tf.Session() as sess:	
   	 #写到日志文件里
   	 writer = tf.summary.FileWriter('./graphs, sess.graph) 
  print sess.run(x) writer.close() # 关闭writer
    显示时在命令行端运行如下代码:
	$ python [yourprogram].py
	$ tensorboard --logdir="./graphs" --port 7001

    打开google浏览器访问: http://localhost:7001/     就能看到下图：

四，TensorFlow的常量、变量和操作

     TensorFlow和numpy其实很像。

1，常量

    常量的定义：

  常量的定义：tf.constant(value,dtype=None, shape=None,name='Const', verify_shape=False)

  代码如下所示：

	a = tf.constant([2, 2], name="a")
	b = tf.constant([[0, 1], [2, 3]], name="b")
	x = tf.add(a, b, name="add")
	y = tf.mul(a, b, name="mul")
	with tf.Session() as sess:
		x, y = sess.run([x, y])
		print x, y
	# >> [5 8] [6 12]

2，变量

tf.constant是op， 而tf.Variable是一个类， 初始化的对象有多个op

#create	variable a with	scalar value		
a=tf.Variable(2, name="scalar")	
#create	variable b as a vector	值为2,3的向量
b = tf.Variable([2, 3], name="vector")	
#create	variable c as a	2x2 matrix 值为0,1,2,3的矩阵	
c = tf.Variable([[0, 1], [2, 3]], name="matrix")	
# create variable W as 784 x 10	tensor,	filled	with zeros		
W = tf.Variable(tf.zeros([784,10]))	

变量的创建只是创建，在使用变量之前，一定要初始化！！

初始化的方法有三种：

a,最简单的初始化全部变量方法：

  

init	= tf.global_variables_initializer()		
with	tf.Session()	as sess:	
sess.run(init)	

b,初始化一个变量子集

init_ab	=	tf.variables_initializer([a,	b], name="init_ab")		
with	tf.Session()	as sess:	
sess.run(init_ab)	

c,初始化单个变量

W	= tf.Variable(tf.zeros([784,10]))		
with	tf.Session()	as sess:	
sess.run(W.initializer)	

输出变量内容： Eval ( ) 函数

3，操作

在tensor上可以进行各种运算/变换

常用的操作

a	=	tf.constant([3, 6])	
b	=	tf.constant([2, 2])	
tf.add(a,	b)	#>>	[5 8]	
tf.add_n([a,	b,	b])	#>>	[7	10]
tf.mul(a,	b)	#>>	[6	12]
tf.matmul(a,	b)	#>> ValueError
tf.matmul(tf.reshape(a,[1,	2]),	tf.reshape(b,[2,	1]))	#>> [[18]]
tf.div(a,	b)	#>>	[1 3]
tf.mod(a,	b)	#>>	[1 0]	

4，placeholder

通过placeholder可以存放用于训练的数据 ：tf.placeholder(dtype, shape=None, name=None)

#	create	a	placeholder	of	type	float	32-bit,	shape	is	a	vector	of	3 elements		
a	=	tf.placeholder(tf.float32, shape=[3])	
#	create	a	constant	of	type	float	32-bit,	shape	is	a	vector	of	3 elements		
b	=	tf.constant([5,	5,	5], tf.float32)	
#	use	the	placeholder	as	you	would	a	constant	or	a variable		
c	=	a + b #	Short	for	tf.add(a, b)	
with	tf.Session()	as sess:	
#	feed	[1,	2,	3]	to	placeholder	a	via	the	dict	{a:	[1,	2, 3]}	
print	sess.run(c,	{a:	[1,	2,	3]})	
#	the	tensor	a	is	the	key,	not	the	string ‘a’	
#	>>	[6,	7, 8]	

#	create	operations,	tensors,	etc	(using	the	default graph)		
a	=	tf.add(2, 5)	
b	=	tf.mul(a, 3)	
with	tf.Session()	as sess:	
#	define	a	dictionary	that	says	to	replace	the	value	of	'a'	with 15		
replace_dict	=	{a: 15}	
#	Run	the	session,	passing	in	'replace_dict'	as	the	value	to 'feed_dict'	
sess.run(b,	feed_dict=replace_dict)	
#	returns 45	

TEST