Tensorfolw 基本概念基础编程

1.Tensorflow计算图模型，使用图来表示计算任务。Tensorflow程序一般分为图的构建和图的执行两个阶段。

第一阶段：图的构建阶段也称图的定义阶段。程序如下：

 

# 创建图
import tensorflow as tf
# 创建一个常量m1：1行2列的矩阵
m1 = tf.constant([[3, 3]])
# 创建一个常量m2：2行1列
m2 = tf.constant([[2], [3]])
# 创建一个矩阵乘法op，把m1和m2传入
product = tf.matmul(m1, m2)
print(product)

2.在会话（Session）的上下文中执行图。

第二阶段：图的执行阶段，也就是在会话（Session）中执行图模型中定义好的运算。

 

# 定义一个会话，启动默认图
sess = tf.Session()
# 调用sess的run方法来执行矩阵乘法op
result = sess.run(product)
print(result)
# 关闭会话
sess.close()

# 一般这样定义会话，结束时不用关闭会话
with tf.Session()as sess:
    # 调用sess的run方法来执行矩阵乘法op
    result = sess.run(product)
    print(result)

 

 

 

3.使用tensor表示数据

4.通过变量（Variable）维护状态

变量使用：记得要初始化

 

import tensorflow as tf
# 创建一个变量x
x = tf.Variable([1, 2])
# 创建一个常量a
a = tf.constant([3, 3])
# 增加一个减法op
sub = tf.subtract(x, a)
# 增加一个加法op
add = tf.add(x, sub)
# 定义会话
with tf.Session() as sess:
    print(sess.run(sub))
    print(sess.run(add))

出错：FailedPreconditionError (see above for traceback): Attempting to use uninitialized value Variable

[[Node: Variable/read = Identity[T=DT_INT32, _device="/job:localhost/replica:0/task:0/device:CPU:0"](Variable)]]

解决方法：Tensorflow中需要使用变量的话，需要初始化操作

（1）会话之前变量初始化

 

init = tf.global_variables_initializer()    # 全局变量初始化

（2）会话中先run一下init

 

sess.run(init)      # 首先run一下init

总的修改：

add = tf.add(x, sub)
init = tf.global_variables_initializer()    # 全局变量初始化
# 定义会话
with tf.Session() as sess:
    sess.run(init)      # 首先run一下init
    print(sess.run(sub))
    print(sess.run(add))

5.写一个自增循环程序

for 循环自增：

import tensorflow as tf
# 定义一个变量
sate = tf.Variable(0,name='counter')
# 创建一个op,作用是使state加1
new_value = tf.add(sate,1)
# 赋值op
update = tf.assign(sate,new_value)  # sate = new_value

# 初始化变量
init = tf.global_variables_initializer()

#  启动默认图
with tf.Session() as sess:
    sess.run(init)
    print("state=",sess.run(sate))
    for _ in range(5):
        sess.run(update)
        print("开始赋值后的sate：",sess.run(sate))
# for _ in range():   其实就是一个变量，python允许下划线作为变量。
# 为什么用一个下划线，因为实际上这里没用到这个变量，所以用一个符号就可以了。

6.Fetch 和Feed：可以为任意的操作赋值或者从中获取数据

(1)fetch 可以同时运行多个op

 

import tensorflow as tf
# Fetch  : 可以同时执行多个op
input1 = tf.constant(3.0)
input2 = tf.constant(2.0)
input3 = tf.constant(5.0)

add = tf.add(input2, input3)
mul = tf.multiply(input1, add)  # 乘法操作

with tf.Session() as sess:
    result = sess.run([mul, add])    # Fetch  : 可以同时执行多个op
    print(result)

(2)Feed:feed数据以字典的形式传入{}

 

#  Feed
# 创建占位符
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.multiply(input1, input2)

with tf.Session() as sess:
    # Feed的数据以字典的形式传入
    print(sess.run(output, feed_dict={input1: [7.0], input2: [2.0]}))

7.案例

 

import  tensorflow as tf
import numpy as np
# 使用numpy生成100个随机点
x_data = np.random.rand(100)
y_data = x_data*0.1+0.2         # 样本的真实值

# 构造一个线性模型
b = tf.Variable(0.)
k = tf.Variable(0.)
y = k*x_data + b         # 预测的值

# 二次代价函数
"""
y_data-y:样本真实值-预测值= 误差
tf.square()求平方的方法：误差的平方
tf.reduce_mean 求平均
"""
loss = tf.reduce_mean(tf.square(y_data-y))
# 定义一个梯度下降法来进行训练优化器
optimizer = tf.train.GradientDescentOptimizer(0.2)   # 0.2的学习率
# 最小化代价函数:训练的目的
train = optimizer.minimize(loss)

init = tf.global_variables_initializer()  # 初始化变量

with tf.Session() as sess:
     sess.run(init)
     for step in range(201):    # 迭代201次
         sess.run(train)
         if step%20 == 0:
             print(step, sess.run([k, b]))

8.Tensorflow是一个编程系统，使用图（graphs）来表示计算任务，图中的节点称之为op(operation),一个op获得0个或多个Tensor，执行计算，产生0个或多个Tensor。 Tensor 看作是一个n维数组或列表。图必须在会话（Session）里启动。