TensorFlow笔记（0）基本概念、fetch、feed及一个拟合曲线的事例

基本概念

• 图（graph）：用来表示计算任务。图中节点称为OP（operation），接受零至多个Tensor，产生零至多个Tensor
• Tensor：相当于矩阵/数组，用来装载数据
• 会话（Session）：用来执行图的运算的东西
• 图通过变量（Variable）维护状态
• feed、fetch：赋值/获取数据

创建图、启动图

import tensorflow as tf

# 创建常量
m1 = tf.constant([[3, 3]])
m2 = tf.constant([[2], [3]])
# 创建矩阵乘法op，传入m1、m2
product = tf.matmul(m1, m2)

sess = tf.Session()

result = sess.run(product)
print(result)
sess.close()

上面这种方法需要手动用sess.close()来关闭图，很不方便，所以通常用这种方式打开图：

import tensorflow as tf

# 创建常量
m1 = tf.constant([[3, 3]])
m2 = tf.constant([[2], [3]])
# 创建矩阵乘法op，传入m1、m2
product = tf.matmul(m1, m2)

with tf.Session() as sess:
    result = sess.run(product)
    print(result)

变量

import tensorflow as tf

x = tf.Variable([1, 2])
a = tf.Variable([3, 3])

sub = tf.subtract(x, a)
add = tf.add(x, sub)

# 在跑代码前一定要init所有的变量，不然会报错
init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    print(sess.run(sub))
    print(sess.run(add))

state = tf.Variable(0, name='counter')
# 创建一个op来让state加1
new_value = tf.add(state, 1)
# 赋值op
update = tf.assign(state, new_value)
init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    print(sess.run(state))
    for _ in range(5):
        sess.run(update)
        print(sess.run(state))

最后面print(sess.run(state))中的sess.run似乎对图中变量不会产生影响，只是输出了结果。

fetch和feed

import tensorflow as tf

# fetch
input1 = tf.constant(3.0)
input2 = tf.constant(2.0)
input3 = tf.constant(5.0)

add = tf.add(input2, input3)
mul = tf.multiply(input1, add)

with tf.Session() as sess:
    result = sess.run([mul, add])
    print(result)

# feed
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.multiply(input1, input2)

with tf.Session() as sess:
    print(sess.run(output, feed_dict={input1:[8.], input2:[2.]}))

fetch就是直接从别的地方拿数据过来（例如上面就是在add处fetch了input2和input3），feed就是在运行图的时候输入数据（例如上面就是feed入了8.和2.）。

简单的拟合实例

import tensorflow as tf
import numpy as np

x_data = np.random.rand(100)
y_data = x_data * 0.1 + 0.2

b = tf.Variable(0.)
k = tf.Variable(0.)
y = k * x_data + b

#  二次代价函数
loss = tf.reduce_mean(tf.square(y_data - y))
# 定义一个梯度下降
optimizer = tf.train.GradientDescentOptimizer(0.2)
# 最小化代价函数
train = optimizer.minimize(loss)

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for step in range(200 + 1):
        sess.run(train)
        if step%20 == 0:
            print(step, sess.run([k, b]))

这里可以试试改$b$和$k$的值，可以发现无论初始值是怎么样的，最后都会拟合到$0.2$和$0.1$。