Tensorflow学习指南读书笔记一----Tensorflow基础知识

计算图：

在Tensorflow中，图的每个节点表示一个操作，可能会应用在某个输入上，并能够生成传递给其他节点的输出。

计算图的操作包括所有类型的函数。比如：创建汇总，生成常数值，运算或者其他复杂函数

Tensorflow的使用可简单分为创建图和执行图：

在导入tensorflow后，一个空的默认图就被创建，后续结点自动连接到这个图上，下面时创建一个图的代码

a = tf.constant(5)
b = tf.constant(6)
d = tf.add(a,b)

这时候我们创建了一个两个常量相加的图，下面我们来执行它

with tf.Session() as sess:
    print(sess.run(d))

变量:

优化过程的作用就是调整模型的参数，即变量，每次迭代，模型都会优化变量。可以调用tf.Variable()创建一个变量并定义他的初始值

var = tf.Variable(init_val,name - "var")
#init_val是初始值

在运行计算图之前必须使用tf.global_variables_initializer()来初始化，为变量分配内存。变量的高级用法请参考tf.get_variables()

构造图与管理图：

tf.Graph()创建一个新的空图

tf.get_default_graph() 查看当前默认图

当使用多个图时，可以使用with和as_default()结构把某个图设为默认图

张量：

张量其实就是在构造图时结点间传值的句柄，即不动的数据流，当开启回话时，数据流会开始流动

查看某个张量的数据类型可以用 .dtype

数据类型转换 tf.cast(x,tf.int64)#把x转化为tf.int64的数据类型

命名空间：

tf.name_scope()

with tf.name_scope("peofix"):
    #with结构下的命名都在profix的命名域下分组

占位符：

tf.placeholder()

可认为其是空的供填写数据的变量

shape为形状参数，若形状不确定可设为None

ph=tf.placeholder(tf.float32,shape=(None,10))
#占位后，开启会话喂数据
sess.run(s,feed_dict={ph:ph_data}
#ph_data必须是python中的数据类型，不可是tensor或者二进制文件

NOTE：

查看tensor的shape时使用get_shape()函数

在Ipython交互中，使用tf.InteractiveSession()更方便

x (3,) tf.expand_dims(x,1)  x (3,1)

np.fromstring()#二进制文件转为字符串

.eval()#tensor转为Numpy数组

tf.convert_to_tensor #其他转化为tensor