坎坎坷坷的深度学习之路（二）-Hello world（1）

好消息是终于把tf的环境搭好啦，那就按照官网的教程一步一步来吧，先来理解一下tensorflow。

 Tensorflow是一个编程系统，它用图（graph）的方式来表示计算任务，并且在 会话（session）的上下文（context）中执行图，用tensor（张量）来表示数据，通过变量（variable）来维护运算状态，使用feed或fetch来为操作数（arbitrary operation）赋值或者获取数据。图的节点称为op（也就是operation），每个op都可以接受tensor来执行计算。

 先用tf做一个矩阵乘练练手，看看这session到底是啥。在hello world之前先touch world感受一下它的魅力。举个例子就做两个3*3的矩阵互乘吧：

import tensorflor as tf

#这里创建了两个常矩阵mat1和mat2，这里注意一下，tensorflow创建的是tensor（张量）而不是matrix（矩阵），
#所以这里如果创建矩阵，那么就是二阶张量，所以有两层中括号[[1,2,3],[2,3,4],[3,4,5]]，我的记忆方法是
#创建几阶张量就有几层中括号
mat1 = tf.constant([[1,2,3],[3,4,5],[5,6,7]])    #这个constant也是tf的一个op
mat2 = tf.constant([[9,8,7],[7,6,5],[5,4,3]])

#这个是tf的矩阵乘法op，将前面的mat1和mat2作为输入，并且返回为cal，但是cal只是代表了矩阵乘法op的输出
cal = tf.matmul(mat1, mat2)

#创建一个会话（session），并且启动默认的图
sess=tf.Session()

#这里调用sess的run()方法是表明要取出cal的结果，然后print出来，这里传递给run的tensor不一定是一个，
#若传入多个tensor，那么也会取出多个tensor
result=sess.run(cal)
print(result)

#关闭会话
sess.close()

输出结果是

[[ 38  32  26]
 [ 80  68  56]
 [122 104  86]]

一个跟matlab一样方便的计算方式，当然tensorflow只是拿来做矩阵乘法啥的就真是大材小用，不如用numpy计算了。

不过看上面的代码，最后还得显式调用close()，麻烦死啦，可以用with代码块自动完成加载和关闭

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

 print(result)

如果需要指定在哪个设备上使用（如CPU或者GPU），需要明确地告诉tf在哪个设备上执行，可以修改成下面的代码。当然一般情况下tensorflow会自动选择，如果检测到了GPU，那它会尽可能用它找到的第一个GPU来工作。

with tf.Session() as sess:
 with tf.device("/gpu:0")
:

  
  

   
    
   
    ......
  
  

这里的设备用字符串进行标识，如"/cpu:0"(机器的cpu)，"/gpu:0"(机器的第一个gpu)，"/gpu:1"(机器的第二个gpu)等等。

• 变量

变量是每个编程语言必不可少的组成部分，tensorflow也是，用op操作来维护变量。

import .........
..............
#前面导入包的部分省略

#tf.Variable()返回了一个tf的变量，它包含一些Rewriteconfig，也就是可以重写的属性，例如name
#下面这行返回了一个名为hello，初始值为0的变量
cur = tf.Variable(0, name="hello")

one = tf.Constant(1)
new = tf.add(cur, one)
update = tf.assign(cur, new)    #这是tf的赋值op，是图的一部分，在会话中调用run()之前，它也不会进行真正的赋值
init = tf.initialize_all_variables()

#启动图并运行op进行计算
with tf.Session() as sess:
 sess.run(init)

 print(sess.run(cur))

 for i in range(3):
  sess.run(update)

  print(sess.run(cur))


#得到了输出为
# 0
# 1
# 2
# 3
  
  

• placeholder

这是用于tensorflow的feed机制，可以对图中任意op的任意tensor进行feed（打补丁或者注入），最常见的feed操作是作为run()的参数，当将某些操作指定为feed操作时，通常会用placeholder作为占位符来做标记

input1 = tf.placeholder(tf.types.float32)
input2 = tf.placeholder(tf.types.float32)
output = tf.mul(input1, input2)

with tf.Session() as sess:
 print(sess.run([output], feed_dict={input1:[7.], input2:[2.]})


#输出为
# [array([ 14. ], dtype=float32)]