笔记：tensorflow基础

tensorflow基础

1.计算图 session tensor

• tensor

  1.定义两个tensorflow下的数a,b，称之为tensor。

  a = tf.constant(32)
  b = tf.constant(10)
  

  

  2.通过加法将两个数生成一个新的数c。

  c = tf.add(a,b)
  

  

  以上是构造图。

• 在构建整个计算图的过程中，如果我们打印其中的tensor,python运行结果会报错，这是因为tensorflow将tensor作为节点保存，没有具体的值。

• 要运行节点，需要开启Session,session可以运行tensor并保存。

  #开启session的语法
  sess = tf.Session()
  
  print(sess.run(a))
  print(sess.run([a,b]))
  print(sess.run([a,b,c]))
  

• tensorflow运行图中的tensor的过程称为“执行图”。

• 在tensorflow中，图的构造和执行是分离的，因此tensorflow是一种静态图模式，一旦图定义好了，它的执行便是固定的，不再变化的。

• 各种类型的tensor，tensor可以又自己独特的名字。

  

2. op 矩阵 随机化 valiable

• tensorflow具有基本操作，这些操作定义为Op。

  

• mat

  tensorflow的矩阵及运算

  

• Random

  tensorflow提供了多种随机化的方法

  

• 关闭session

  sess.close()
  

• variable

  1.variable是tensorflow下可以修改值得tensor，它需要定义一个初始值，可以是数值，列表或者numpy矩阵，也可以直接是tensor

  2.像tensor一样，通过print也不能获得具体的值

  

  3.初始化：在使用variable时，我们必须初始化这个variable,也就是调用他们的初始化方法。

  

  ​ 此处sess.run(init)与init.run()等价

  4.variable的eval，同样需要session帮助我们获得variable的值

  

  5.variable赋值：可以通过assign对variable进行赋值，但这个操作必须要执行之后才会产生效果

  

3.占位符

• 图中节点没有具体的值，tensorflow根据这个逻辑定制了占位符（placeholder)的概念，它在构建图的时候占据图中一个位置，然后在执行图的时候才会代入具体的位置。

  

  

• placeholder没有具体的值，那么我们在执行图的过程中需要填入具体的值，这时我们需要一个字典：

  它的key是placeholder,value是具体的值,这个就是feed_dict

  

• graph

  1.tensorflow 是通过定义静态图的方法来运行的,我们当然可以获得这张计算图,这张图就是前面定义的所有tensor的集合

  之后,我们便可以查看当前定义计算图的所有信息,比如举一个例子,我们可以查看所有定义过的tensor的信息

  

  2.从graph中获取变量:我们也可以通过名字获得之前定义过的tensor

  

  3.graph可视化:tensorflow还提供了非常厉害的tensorboard工具来可视化这个图