TensorFlow学习笔记（一）

TensorFlow学习笔记（一）

  TensorFlow是利用人工智能神经网络来分析和处理复杂数据结构的系统，是一种支持深度学习的开源软件库，可以实现卷积神经网络（CNN）、循环神经网络（RNN）和深度神经网络（DNN）等经典算法，并在语音识别、自然语言理解、计算机视觉等方面得到了广泛的应用。
  TensorFlow借助其灵活的架构，用户可以轻松地将计算工作部署到多种平台（CPU、GPU、TPU）和设备（桌面设备、服务器集群、移动设备、边缘设备等）
**特点：**速度快、扩展性好、灵活性高，以及具备计算图和数据分析的一系列可视化工具。
其他主流深度学习框架：Keras、caffe、PyTorch等

TensorFlow编程初体验

本次学习在Anaconda中的Jupyter Notebook中编译运行，新建python3文件
输入，按“Ctrl+Enter”执行；

import tensorflow as tf   #导入tensorflow
print("TensorFlow版本是：",tf.__version__)  #显示当前TensorFlow版本

导入TensorFlow库，当前的版本是2.0.0

node1 = tf.constant([[3.0,1.5],[2.5,6.0]],tf.float32)
node2 = tf.constant([[4.0,1.0],[5.0,2.5]],tf.float32)
node3 = tf.add(node1, node2)

node3

输出的是一个Tensor

print(node3,numpy())  #输出运算结果Tensor的值

得到Tensor的值，通过 numpy()方法

TensorFlow 名称的含义

TensorFlow = Tensor + Flow
Tensor 张量
  数据结构：多维数组
Flow 流
  计算模型：张量之间通过计算而转换的过程

TensorFlow是一个通过计算图的形式表述计算的编程系统
  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关系；

张量

张量的概念

• 在TensorFlow中，所有的数据都通过张量的形式来表示
• 从功能的角度，张量可以简单理解为多维数组
   零阶张量表示标量（scalar），也就是一个数；
   一阶张量为向量（vector），也就是一维数组；
   n阶张量可以理解为一个n维数组；
• 张量并没有真正保存数字，它保存的是计算过程

张量方法和属性

标识号（id）
  系统自动维护的唯一值
形状（shape）
  张量的维度信息
类型（dtype）
  每一个张量会有一个唯一的类型,TensorFlow会对参与运算的所有张量进行类型的检查，发现类型不匹配时会报错
值（value）
  通过numpy()方法获取，返回Numpy.array类型的数据

print(node3.numpy())  #输出[[7.  2.5]]
                      #     [7.5 8.5]]
print(node3.shape)     #输出（2, 2），即矩阵的长和宽均为2
print(node3.dtype)    #输出<dtype: 'float32'>

张量的形状

三个术语描述张量的维度：阶（rank）、形状（shape） 、维数（dimension number）

表中D0表示第0维元素的个数，Di表示Di维元素的个数
小技巧：看几维直接看最左边的中括号有几个就好；

scalar = tf.constant(100)
vector = tf.constant([1, 2, 3, 4, 5])
matrix = tf.constant([[1, 2, 3], [4, 5, 6]])
cube_matrix = tf.constant([[[1], [2], [3]], [[4], [5], [6]], [[7], [8], [9]]])

print(scalar.shape)          #输出()
print(vector.shape)         #输出(5,)
print(matrix.shape)         #输出(2, 3)
print(cube_matrix.shape)    #输出(3, 3, 1)

查看张量的shape属性还可以通过get_shape()方法来获取。

张量的阶

张量的阶（rank）表征了张量的维度

获取张量的元素

阶为1的张量等价于向量；
阶为2的张量等价于矩阵，通过 t[i, j] 获取元素；
阶为3的张量，通过 t[i, j, k] 获取元素；
下标从0开始

cube_matrix = tf.constant([[[1], [2], [3]], [[4], [5], [6]], [[7], [8], [9]]])
print(cube_matrix.numpy()[1,2,0])  #输出6

张量的类型

TensorFlow支持不同的类型
实数 tf.float32, tf.float64
整数 tf.int8, tf.int16, tf.int32, tf.int64, tf.uint8
布尔 tf.bool
复数 tf.complex64, tf.complex128
默认类型：
不带小数点的数会被默认为int32
带小数点的会被默认为float32

每个张量都会有一个唯一的类型，TensorFlow在进行运算的时候会对参与运算的所有张量进行类型的检查，发现类型不匹配时会报错。

a = tf.constant([1, 2])
b = tf.constant([2.0, 3.0])

result = tf.add(a,b)    #运行报错

在TensorFlow中可以通过tf.cast()进行数据类型转换:

a = tf.constant([1, 2])
b = tf.constant([2.0, 3.0])

a = tf.cast(a,tf.float32)   #数据类型转换

result = tf.add(a,b)
result

常量与变量

常量 constant

在运行过程中值不会改变的单元
创建语句：
tf.constant(
   value,
   dtype=None,
   shape=None,
   name=‘Const’
   )
在创建常量时只有value值是必填的，dtype 等参数可以缺省，会根据具体的value值设置相应的值.

变量 Variable

在运行过程中值可以被改变的单元
创建语句：
注意V是大写字母
变量 Variable
tf.Variable (
   initial_value,
   dtype=None,
   shape=None,
   trainable =True
   name=’Variable’

v1 = tf.Variable([1, 2])
v2 = tf.Variable([3, 4],tf.float32)
v1,v2

变量在创建时必须确定初始值，可以像定义常量一样
也可以用一个张量作为初始值；

• 在TensorFlow中变量和普通编程语言中的变量有着较大区别
• TensorFlow中的变量是一种特殊的设计，是可以被机器优化过程中自动改变值的张量，也可以理解为待优化的张量。
• 在TensorFlow中变量创建后，一般无需人工进行赋值，系统会根据算法模型，在训练优化过程中自动调整变量的值。
• 在变量的参数中，trainable参数用来表征当前变量是否需要被自动优化，创建变量对象时默认是启用自动优化标志。

变量的赋值

• 与传统编程语言不同，TensorFlow中的变量定义后，一般无需人工赋值， 系统会根据算法模型，训练优化过程中自动调整变量对应的数值；
• 特殊情况需要人工更新的，可用变量赋值语句***assign()***来现实；

v = tf.Variable(5)
v.assign(v+1)
v

TensorFlow还直接提供了assign_add()、assign_sub()方法来实现变量的加法和 减法值更新

v1 = tf.Variable(5)
v2 = tf.Variable(5)
v1.assign_add(1)
v2.assign_sub(1)
v1,v2