TensorFlow学习笔记1

编写Tensorflow的两个步骤：

1. 构建计算图graph
2. 使用session去执行graph中的operation
   ![这里写图片描述]
   

---

• Tensor：类型化的多维数组，图的边
• Operation:执行计算的单元，图的节点
• Graph：一张有边与点的图，其表示了需要进行计算的任务
• Session:称之为会话的上下文，用于执行图

三个基本概念

Tensor

• N维矩阵
• 创建方法

import tensorflow as tf
tf.zeros([row_dim, col_dim])
tf.ones([row_dim, col_dim])
tf.fill([row_dim, col_dim], 42)
tf.consatnt([1, 2, 3])
tf.random_uniform([row_dim, col_dim], minval=0, maxval=1)
tf.random_normal([row_dim, col_dim], mean=0.0, stddev=1.0)

• 三个属性：rank、shape、data_type

Rank: rank一般是指数据的维度，其与线性代数中的rank不是一个概念。其常
用rank举例如下。

Shape：指tensor每个维度数据的个数，可以用python的list/tuple表示。下
图表示了rank,shape的关系。

Data_type: 是指单个数据的类型。常用DT_FLOAT，也就是32位的浮
点数。下图表示了所有的types。

Operation

• 一个符号化的运算过程
• Graph中的计算节点
• 输入输出均为Tensor

Graph

• 定义：Tensorflow中使用tf.Graph表示可计算的图。图是由操作Operation和
  张量Tensor来构成，其中Operation表示图的节点（即计算单元），而Tensor
  则表示图的边（即Operation之间流动的数据单元）。
• 创建方法：
  
  • tf.Graph.init()：创建一个新的空Graph
• 可在一张图中运行，也可构建多张图

import tensorflow as tf
g1 = tf.Graph()
with g1.as_default():
    c1 = tf.constant([1.0])
with tf.Graph().as_default() as g2:
    c2 = tf.constant([2.0])

with tf.Session(graph=g1) as sess1:
    print(sess1.run(c1))
with tf.Session(graph=g2) as sess2:
    print(sess2.run(c2))
#result:
#[ 1.]
#[ 2.]

• Session提供了Operation执行和Tensor求值的环境

#构建一个计算图
a = tf.constant([1.0, 2.0])
b = tf.constant([3.0, 4.0])
c = a * b  
#构建一个session
sess = tf.Session()
#把计算图放到session理，并运行得到结果
print(sess.run(c))
sess.close()
#result: [ 3.  8.]

• 释放资源
  
  • 调用session.close()方法
  • 使用with tf.Session()创建上下文（Context）来执行，当上下文退出时自动释放。

#构建一个计算图
a = tf.constant([1.0, 2.0])
b = tf.constant([3.0, 4.0])
c = a * b
#构建一个session
sess = tf.Session()
#把计算图放到session理，并运行得到结果
with tf.Session() as sess:
    print(sess.run(c))
#result: [ 3.  8.]

Variables

作用：保存于更新参数

weights = tf.Variable(tf.random_normal([784, 200], stddev=0.35), name="weights")
biases = tf.Variable(tf.zeros([200]), name="biases")

• Variables初始化
  
  • 初始化所有变量：tf.global_variables_initializer，会在session运算时初始化
    所有变量
  • 初始化部分变量：tf.variables_initializer
    
    • 示例：v1 = tf.variables_initializer([a,b],name=“v1”)
• Varaibles和Constant区别
  
  • Constant一般是常量，可以被赋值给Variables，constant保存在
    graph中，如果graph重复载入那么constant也会重复载入，其非常
    浪费资源，如非必要尽量不使用其保存大量数据。
  • Variables在每个session中都是单独保存的，甚至可以单独存在一个
    参数服务器上。

Placeholder与FeedDict

• Placeholder：可以使用tf.placeholder(dtype,shape=None,name=None)
  函数来定义

x1 = tf.placeholder(tf.int32, shape=[1], name='x1')
x2 = tf.constant(2, name='x2')
result = x1 + x2
with tf.Session() as sess:
    print(sess.run(result))

报错：
InvalidArgumentError (see above for traceback): You must feed a value for placeholder tensor 'x1' with dtype int32 and shape [1]
     [[Node: x1 = Placeholder[dtype=DT_INT32, shape=[1]

• 最后一行需修改成：print(sess.run(result,{x1:[3]}))