机器学习入门第二讲---TensorFlow入门

第一讲已经大概介绍了啥是机器学习（以下简称ML），这里就带大家了解最简单的TensorFlow（以下简称TF）程序。

 

TF是什么？

国际惯例，先介绍一下TF，维基百科介绍得比较散，下面是我根据维基百科和一些其他资料做的几句总结。

TensorFlow是Google Brain的第二代机器学习系统。第一代系统叫DistBelief，是谷歌2011开始开发的一套基于深度神经网络（深度学习的一种模型，后续的教程也讲）的机器学习系统。Google Brain曾用它在未事先获取 “猫的特征描述” 信息的情况下，从大量 YouTube 视频中区分除了哪些是猫的视频。这意味着深度学习系统 “DistBelief” 自行总结出了猫的 feature（特征）！后来Google指派了多位计算机科学家，将DistBelief的代码库简化并重构为更快，更强大的应用程序级库，后者成为TensorFlow。

 也就是说，TF就是一个机器学习的系统，里面包含了各种各样机器学习需要用到的工具。

TensorFlow其实是由Tensor（张量）和Flow（流动）两个词来组成的。不同于很多其他的没有任何实际意义的技术名词（比如Hadoop，MongoDB等等等等），TensorFlow从名字上就告诉了大家它的组成部分，就是由一个个张量组成的数据流图。如果不太理解没关系，一会到了具体代码再给大家用例子重新介绍一下。

 

TF安装

建议使用linux服务器或者MacOS来玩TF，这两个系统都是自带Python的。如果是用Windows来玩，那还得先装一下Python，然后建议再装一个Python的虚拟环境（virtualenv）。下面是Linux和MacOS的安装命令（前提是装了Python和pip/pip3，每条命令都是不同平台或者不同版本的安装示例，这里只随便列了几种）：

# Ubuntu/Linux 64-bit, CPU only, Python 3.4:
$ sudo pip3 install --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.8.0-cp34-cp34m-linux_x86_64.whl
# Ubuntu/Linux 64-bit, CPU only, Python 3.6:
$ sudo pip3 install --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-1.2.1-cp36-cp36m-linux_x86_64.whl

# Ubuntu/Linux 64-bit, GPU enabled, Python 3.4. Requires CUDA toolkit 7.5 and CuDNN v4.
# For other versions, see "Install from sources" below.
$ sudo pip3 install --upgrade https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.8.0-cp34-cp34m-linux_x86_64.whl


# Mac OS X, CPU only:
$ sudo easy_install --upgrade six
$ sudo pip install --upgrade https://storage.googleapis.com/tensorflow/mac/tensorflow-0.8.0-py2-none-any.whl

 

TF的三大概念

1.TF的计算模型--计算图（graph）

TF的程序一般可以分为两个阶段。

• 第一阶段，需要定义计算图中所有的计算。
• 第二阶段，执行计算。

2.TF的数据模型--张量（Tensor）

• 在TF程序中，所有的数据都通过张量的形式来表示。
• 从功能上，张量可以被简单理解为多维数组。
• 但张量在TF中的实现并不是采用数组的形式，它只是对TF中运算结果的引用。在张量中并没有真正保存数字，它保存的是如何得到这些数字的计算过程。

3.TF的运行模型--会话（Session）

• 会话的作用是执行定义好的运算。
• 会话拥有并管理TF程序运行时的所有资源。所有计算完成之后需要关闭会话来帮助系统回收资源，否则就可能出现资源泄漏的问题。
• 使用会话的模式有两种：
  • 需要明确调用会话生成函数和关闭会话函数
  • 利用Python的上下文管理器来使用会话

 

看下最简单的几句代码

先导入tensorflow

import tensorflow as tf

来一个最简单的加法。 

# 定义a和b两个常量
a = tf.constant([1.0,2.0], name='a')
b = tf.constant([1.0,2.0], name='b')
# 定义result，是由a和b相加得到的
result = tf.add(a,b,name='add') # 相当于 result = a + b

print(a)
print(b)
print(result)

#运行结果（Tensor这个对象的第一个参数是名字，第二个参数是张量维度，第三个参数是数据的类型）：
#Tensor("a_1:0", shape=(2,), dtype=float32)
#Tensor("a_2:0", shape=(2,), dtype=float32)
#Tensor("add_1:0", shape=(2,), dtype=float32)

从上面的代码可以看出，定义的三个constant都是Tensor，这和我上面提到的“所有的数据都通过张量的形式来表示”的描述是一致。而result这个Tensor的数据，是由a和b相加得到的，也就是从a和b这两个Tensor流过来的（Flow）。Tensor(a)、Tensor(b)、Flow到Tensor(result)，这就是TensorFlow的由来啦。

从结果来看，打印result并没有得到我们想要的计算结果，只是显示这是一个名为“add_1:0”的Tensor对象，这既是因为“张量保存的是计算过程”，也是因为现在还是“定义计算图中所有的计算”的阶段，还未执行计算。

接下来，咱们进入第二阶段，执行计算。

sess = tf.Session()
print(sess.run(result)) # 等同于 print(result.eval(session=sess))

# 运行结果：
# [2. 4.]

sess.close()

执行计算之后再打印result，就可以得到我们想要的那个结果了。

tf.Session()可以调起会话，会话结束后，记得close掉，不然会资源不会被释放，可能导致资源泄露。

如果不喜欢用close来关闭会话，也可以使用上下文管理器来启动会话，上下文结束时，资源会被自动释放。

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

最后说下计算图，不同的计算图之间是互不影响，哪怕是定义完全一致的向量，只要是在不同计算图中定义的，就互不影响。

g1 = tf.Graph()
with g1.as_default():
    # 在计算图g1中定义变量”v“，并设置初始值为0
    v = tf.get_variable(
    "v",shape=[1],initializer=tf.zeros_initializer)

g2 = tf.Graph()
with g2.as_default():
    # 在计算图g2中定义变量"v"，并设置初始值为1
    v = tf.get_variable(
    "v",shape=[1],initializer=tf.ones_initializer)
    
# 计算图g1中读取变量"v"的取值
with tf.Session(graph=g1) as sess:
    tf.global_variables_initializer().run()
    with tf.variable_scope("", reuse=True):
        print(sess.run(tf.get_variable("v")))
        
# 计算图g2中读取变量"v"的取值
with tf.Session(graph=g2) as sess:
    tf.global_variables_initializer().run()
    with tf.variable_scope("", reuse=True):
        print(sess.run(tf.get_variable("v")))

# 运行结果：
# [0.]
# [1.]

以上，就是最简单的Tensor程序啦。

转载于:https://my.oschina.net/lonelycode/blog/3100470