tensorflow学习（一）

1. Graph对象

Graph对应tensorflow中的数据流图
    **使用默认的Graph**

import tensorflow as tf
import numpy as np
a=tf.constant([5,3],name="input_a")
b=tf.reduce_prod(a,name="reduce_prod")
c=tf.reduce_sum(a,name="reduce_sum")
d=tf.add(b,c,name="add_d")
g=tf.Graph()
g1=tf.get_default_graph()
sess=tf.Session(graph=g)
with g.as_default():
    t1=np.array([1,3,2],dtype=np.int32)
    t2=np.array([3,4,9],dtype=np.int32)
    t3=tf.add(t1,t2)
    print(sess.run(t3))
    print(sess.run(tf.shape(t3)))
    sess.close()

    **不使用默认的Graph对象**

import tensorflow as tf
import numpy as np
g=tf.Graph()
g1=tf.Graph()
with g.as_default():
    a=tf.constant([5,3],name="input_a")
    b=tf.reduce_prod(a,name="reduce_prod")
    c=tf.reduce_sum(a,name="reduce_sum")
    d=tf.add(b,c,name="add_d")
sess=tf.Session(graph=g1)#当使用多个数据图时，最好的方式是显式传入希望运行的对象，而非在一个with语句块中创建Session对象
with g1.as_default():
    t1=np.array([1,3,2],dtype=np.int32)
    t2=np.array([3,4,9],dtype=np.int32)
    t3=tf.add(t1,t2)
    print(sess.run(t3))
    print(sess.run(tf.shape(t3)))
    sess.close()

2.Session对象

Session类负责数据流图的执行，tf.Session()可接收3种参数，graph参数可传入要加载的Graph对象。
调用tf.Session()创建Session对象：
sess=tf.Session()
sess.run()方法可以接收：
fetches参数：如果执行对象是Tensor对象，run（）方法输出为Numpy数组；如果对象为Op（指向某个Op的句柄），则输出为None。
feed_dict参数：用于覆盖数据流图中的Tensor对象，输入为python字典形式{键：值}，其中的键为数据流图中Tensor对象的句柄，值的类型必须与该Tensor对象的相同。

import tensorflow as tf
import numpy as np
g=tf.get_default_graph()
sess=tf.Session(graph=g)
with g.as_default():
    a=tf.constant([5,6],name="a")
    b=tf.add(a,[2,3])
    replace_dict={a:[2,2]}
    print(sess.run(b,feed_dict=replace_dict))

Session对象使用结束时要调用其close（）方法将不再需要的资源释放。也可以将Session（）对象作为上下文管理器使用，这样当代码离开其作用域后，该Session对象将自动关闭
with tf.Session() as sess:
#运行数据流图
…#该部分结束后Session（）对象自动关闭
也可以利用Session类的as_default()方法将Session对象作为上下文管理器使用，可被某些函数自己使用。这些函数常见的有Operation.run(),Tensor.eval(),调用这些函数相当于将他们直接传入Session.run()函数，使用结束后需要手动关闭Session对象。

import tensorflow as tf
import numpy as np
g=tf.get_default_graph()
sess=tf.Session(graph=g)
with g.as_default():
    a=tf.constant([5,6],name="input_a")
    with sess.as_default():
        print(a.eval())
    sess.close()#必须手动关闭Session对象

3.占位节点

利用tf.placeholder()创建占位符，其中dtype属性是必须指明的，而shape（）属性可选

import tensorflow as tf
import numpy as np
g=tf.get_default_graph()
sess=tf.Session(graph=g)
with g.as_default():
    a=tf.placeholder(tf.int32,shape=[2],name="input_a")#创建一个长度为2数据类型为int32的占位向量
    b=tf.placeholder(tf.int32,shape=None,name="input_b")#此处shape的值为None，表示可以接收任意形状的Tensor
    c=tf.add(a,b)
    with sess.as_default():
        input_dict={a:np.array([1,2],dtype=np.int32),b:np.array([3,4],dtype=np.int32)}
        print(sess.run(c,feed_dict=input_dict))
    sess.close()#必须手动关闭Session对象

4.Variable对象

Variable对象保存可变的张量值。为使用Variable对象，必须对其进行初始化，将所有Variable对象重置为初始值，调用tf.initialize_variables()。只对部分Variable对象重置初始化，调用tf.initialize_variables()参数传入一个要初始化的Variable对象列表。Variable对象通过Variable.assign_add()和Variable.assign_sub()方法进行自增和自减操作。Variable对象可以被多个独立不同的Session对象出事话，每个Session维护自己的Variable值。
TensorFlow提供大量辅助Op，如
tf.zeros([2,2])创建2×2的零矩阵
tf.ones([6])创建长度为6的全1向量
tf.random_uniform([2,2],minval=0,maxval=10)创建2×2的张量，元素服从0-10的均匀分布
tf.random_normal([2×2],means=0.0,stddev=2.0)创建2×2的张量，元素服从0均值标准差为2的正态分布
tf.truncated_normal([2,2],means=5.0,stddev=1.0)创建2×2张量，元素值在[3,7]之间（值不会超过2倍标准差）

import tensorflow as tf
import numpy as np
g=tf.get_default_graph()
sess=tf.Session(graph=g)
with g.as_default():
    a=tf.placeholder(tf.int32,shape=[2],name="input_a")
    b=tf.placeholder(tf.int32,shape=None,name="input_b")
    my_var1=tf.Variable(8,name="my_var")
    my_var2=tf.Variable(tf.ones([6]))
    my_var3=my_var1.assign(my_var1+2)
    my_var4=my_var2.assign(tf.zeros([6]))#修改的值必须与原值相同shape
    init=tf.initialize_all_variables()#初始化全部变量
    init2=tf.initialize_variables([my_var1])#初始化部分变量，变量以列表形式传入
    add1=tf.add(3,my_var1)
    c=tf.add(a,b)
    zeros=tf.zeros([2,2])
    with sess.as_default():
        input_dict={a:np.array([1,2],dtype=np.int32),b:np.array([3,4],dtype=np.int32)}
        sess.run(init)#Variable对象必须初始化
        print(sess.run(c,feed_dict=input_dict))
        print(sess.run(add1))
        print(sess.run(my_var3))#值为10
        print(sess.run(my_var3))#与my_var1值相同，为12
        print(sess.run(my_var4))
        print(sess.run(my_var2))
        print(sess.run(my_var1))
        sess.run(init2)
        print(sess.run(my_var1))
        print(sess.run(my_var1.assign_add(1)))#自增1
        print(sess.run(my_var2))
        print(sess.run(my_var3))

    sess.close()#必须手动关闭Session对象