一 Tensorflow的基本使用
在Tensorflow进行深度神经网络模型的具体设计之前，我们必须明白以下几点：
【1】在Tensorflow中，使用【图：Graph】来表示计算任务。
【2】在被称之为【会话：Session】的上下文执行【图：Graph】
【3】使用Tensor表示【数据】
【4】使用变量Variable维护状态
【5】使用feed和fecth可以为任意的操作赋值或者从中获取数据
二 综述
Tensorflow是一个编程系统，使用【图】来表示【计算任务】。图中的【节点】被称为op(operating的缩写)，一个op获得0个或者多个Tensor，执行计算，产生0个或者多个Tensor。每个Tensor是一个类型化的【多维数组】，例如：你可以将一小组图像集合表示为一个四维浮点数数组，这四个维度分别是[batch，height，width，channels]
一个Tensorflow图描述了计算的过程。为了进行计算，图必须在【会话】里面启动。【会话】将图的【op】分发到诸如CPU或者GPU之类的设备上，同时提供执行【op】的方法。在这些方法执行后，将产生的Tensor返回。在Python语言中，返回的Tensor是numpy中的ndarry对象；在C/C++语言中，返回的Tensor是tensorflow::Tensor的实例。
三 计算图Graph的概念
3.1 图Graph的综述
Tensorflow中的程序通常被组织成一个【构建阶段】和一个【执行阶段】。在Tensorflow代码的【构建阶段】，op的执行步骤被描述成一个图的执行阶段，使用Session执行图中的op。例如：通常在构建阶段创建一个图来表示和训练神经网络，然后，在执行阶段，再反复执行图中的训练op。Tensorflow支持C/C++、python等。目前，Tensorflow的Python库更加容易使用，它提供了大量的辅助函数来简化构建图的工作，这些函数尚未被C和C++库支持。
Tensorflow的名字已经说明了它最重要的两个概念---Tensor和Flow。Tensor就是张量。在Tensorflow中，张量可以被简单的理解为【多维数组】。如果说Tensorflow的第一个单词【Tensor】表明了它的【数据结构】，那么【Flow】则体现了它的【 】计算模型。Flow翻译成中文，就是“流”的意思，它直观的表达了Tensor之间 通过计算相互转化的过程。Tensorflow是一个通过【计算图】的形式来表达【计算】的【编程系统】。Tensorflow中的每一个计算都是计算图Graph上的一个节点，而节点op之间的边则描述了计算之间的依赖关系
3.2 图Graph的使用
在Tensorflow中，图的使用一般分为两个阶段。
【1】构建图：第一阶段为构建图，在这个阶段中，需要定义计算图中所有的计算。
【2】执行图：在图的构建完成之后，才能启动图。启动图的第一步是创建一个Session对象，如果没有任何创建参数，会话Session构建函数将启动默认的图。
#========================================================================================================
#详细说明：
# 【1】下面这个创建图的过程，Tensorflow会自动的将定义转化为计算图Graph上的节点Node.在Tensorflow程序中，系统会
# 自动的维护一个默认的计算图，通过tf.get_default_graph（）函数可以获得当前默认的计算图。
# 【2】下面的代码给出了图创建阶段的定义样例
# 【3】示意了如何获取默认的计算图，以及如何查看一个运算所属的计算图
#========================================================================================================
import tensorflow as tf
a = tf.constant([1.0,2.0],name="a")
b = tf.constant([2.0,3.0],name="b")
result = a+b
#通过a.graph可以查看张量所属的计算图。因为没有特意的指定，所以这个计算图应该等于当前默认的计算图。所以下面的这个结果应
#该输出为True
print(a.graph is tf.get_default_graph())除了使用默认的计算图，Tensorflow也支持通过tf.Graph函数来生成新的计算图。不同计算图上的张量和运算都不会共享。下面的代码示意了如何在不同的计算图上定义和使用变量Variable.
#========================================================================================================
#详细说明：
# 【1】下面这个创建图的过程，Tensorflow会自动的将定义转化为计算图Graph上的节点Node.在Tensorflow程序中，系统会
# 自动的维护一个默认的计算图，通过tf.get_default_graph（）函数可以获得当前默认的计算图。
# 【2】下面的代码给出了图创建阶段的定义样例
# 【3】示意了如何获取默认的计算图，以及如何查看一个运算所属的计算图
#========================================================================================================
import tensorflow as tf
#【0】创建一个新的空的【计算图】【图：Graph】
#【1】在【计算图：Graph】中定义变量"Var"，并设置其初始值为0.
globalGraph = tf.Graph()
with globalGraph.as_default():
var = tf.get_variable("var",shape=[1],initializer=tf.zeros_initializer)
#【0】创建一个新的空的【计算图】【图：Graph】
globalGraph2 = tf.Graph()
with globalGraph2.as_default():
#【2】计算图globalGraph2中定义的变量“var”，并设置初始值为1
var = tf.get_variable("var",shape=[1],initializer=tf.ones_initializer)
#【0】在图globalGraph1中读取变量var的取值
with tf.Session(graph=globalGraph) as sess:
tf.global_variables_initializer().run()
with tf.variable_scope("",reuse=True):
# 在计算图g1中，变量“v”的取值应该为0，所以下面这行会输出[0.]
print(sess.run(tf.get_variable("var")))
#【0】在图global2中读取变量var的取值
with tf.Session(graph=globalGraph2) as sess:
tf.global_variables_initializer().run()
with tf.variable_scope("",reuse=True):
#【4】在图globalGraph2中，变量“var”的取值应该为1，所以下面这行的输出应该为[1.]
print(sess.run(tf.get_variable("var")))
#========================================================================================================
#详细说明：
# 【1】上面的代码产生了两个【图】，每个【图】中定义了一个名字为“var”的变量。在【图】globalGraph中，将变量初始化
# 为0；在【图】globalGraph中，将图初始化为1。
# 【2】可以看到，当运行不同的【图】时，变量var的值也是不一样的。
# 【3】Tensorflow中的【图】不仅仅可以用来【隔离】【张量】和【计算】，它还提供了【管理张量】和【计算的机制】。【图】
# 可以通过【tf.Graph.device函数】来【指定】【运行计算的设备】。这为Tensorflow使用GPU提供了机制。下面的程序
# 可以将【加法】计算跑在GPU上。
#========================================================================================================
globalVal = tf.Graph()
#【1】指定计算运行的设备
with globalVal.device(‘/gpu:0’):
result = a+b
#========================================================================================================
#详细说明：
# 【1】有效的整理Tensorflow程序中的资源也是【图】的一个非常重要的功能。
# 【2】在一个【图】中，可以通过集合cellection来管理不同类别的资源。比如通过tf.add_to_collection函数可以将资源
# 加入到一个或者多个集合中，然后，通过tf.get_collection获取一个集合里面的所有的资源。这里的资源可以是张量、
# 变量或者运行Tensorflow程序所需的【队列资源】
#========================================================================================================四 Tensorflow的数据模型---张量
4.1 张量的概念
Tensorflow程序使用Tensor数据结构来代表所有的数据，图中，操作间传递的数据都是tensor，你可以把Tensor看做是一个能为的数组或者python中的列表。一个Tensor包含一个静态类型的rank和一个shape。虽然，可以讲tensor看成是一个n维的数组，但是Tensor在Tensorflow中的实现并不是直接采用数据的形式实现的，它只是对Tensorflow中运算结果的引用。在Tensor中并没有保存真正的数字，它保存的是如何得到这些数字的计算过程。还是以向量的加法 为例，当运行下面的代码时，并不会得到具体的数值结果，而会得到对结果的一个引用。
#========================================================================================================
#函数原型：
# constant(value, dtype=None, shape=None, name="Const", verify_shape=False)
#函数说明：
# Tensorflow中常量的常见函数
#参数说明：
# 【1】value------初始化常量变量的值
# 【2】dtype------常量的数据类型
# 【3】shape------常量的维度
#========================================================================================================
import tensorflow as tf
#【0】tf.constant()是Tensorflow中常量的创建函数
a=tf.constant([1.0,2.0],name="a")
b=tf.constant([2.0,3.0],name="b")
result = tf.add(a,b,name="add")
print(result)
#========================================================================================================
#模块说明：
# 【1】从上面的代码可以看出Tensorflow中的【张量】Tensor和Numpy中的【数组】不同，Tensorflow计算的结果不是一个
# 具体的数字，而是一个【张量】的【结构】。从上面代码运行的结果可以看出，一个张量中主要保存的三个属性为：名字、
# 维度和类型
# 【2】张量的三个属性：
# 【1】name ：名字
# 【2】shape: 维度
# 【3】type ：类型
# 【3】张量的第一个属性名字不仅是一个张量的唯一标识符，它同样也给出了这个张量是如何计算出来的，在前面，我们知道
# Tensorfloe中的计算都可以通过【图模型】来建立，而【图】上的每一个节点Node带一个计算，计算的结果就存储在
# 张量之中。所以，张量和图上节点所代表的计算结果是对应的。这样张量的命名就可以通过node:src_output的形式给
# 出。其中node为节点的名称，src_output代表当前张量来自节点的第几个输出。比如上面程序的输出add:0就说明了
# result这个张量是计算节点add输出的第一个结果。
# 【4】张量的第二个属性是张量的维度(shape)。这个属性描述了一个张量的维度信息，比如上面样例中的shape=(2，),说明了
# 张是一个一维数组，这个数组的长度为2，【维度】是【张量】一个非常重要的属性。围绕张量的维度Tensorflow也给出了
# 很多有用的运算。
# 【5】张量的第三个属性是类型(dtype)，每一个张量都会有一个唯一的类型。Tensorflow会对参与运算的所有张量进行类型
# 的检查；当发现类型不匹配是时，就会报错。
#========================================================================================================4.2 张量的使用
和Tensorflow的计算模型相比，Tensorflow的数据模型相对比较简单，张量的使用主要归结为两大类：
第一类用途是：对中间计算结果的引用。当一个计算包含很多中间结果时，使用张量可以大大提高代码的可读性。
第二类情况是：当【图】构造完成之后，张量可以用来获得计算结果，也就是得到真实的数字。虽然张量本身并没有存储具体数字的能力，但是通过【会话】Session，就可以得到这些具体的数字，如下面的代码所示：
import tensorflow as tf
#【0】tf.constant()是Tensorflow中常量的创建函数
a=tf.constant([1.0,2.0],name="a")
b=tf.constant([2.0,3.0],name="b")
result = a+b
print(tf.Session().run(result))五 Tensorflow执行模型---会话Session
此块，我们将介绍如何使用Tensorflow中的会话Session来执行定义好的运算。【会话】Session拥有并管理Tensorflow程序 运行时的【所有资源】。当所有的计算完成之后，需要关闭【会话】Session来帮助系统回收资源，否则，就可能会出现资源泄露的问题。
Tensorflow中使用【会话】Session的模式一般有两种模式，第一种模式需要明确调用【会话生成函数】和【关闭会话函数】，这种模式的代码流程遵循【三步骤战略】，具体代码如下所示：
import tensorflow as tf
#【1】创建一个会话
sess = tf.Session()
#【2】使用这个创建好的会话Session来得到关心的运算的结果，比如可以调用sess.run(result)
sess.run(result)
#【3】关闭会话使得本次运行中使用的资源可以被释放
sess.close()import tensorflow as tf
#【1】创建一个会话，并通过Python中的上下文管理器来管理这个会话Session
with tf.Session() as sess:
#【2】使用创建好的会话Session来计算关心的结果
sess.run()
#【3】不需要再调用Session.close()函数来关闭会话，当上下文退出时会关闭会话，也会释放掉资源通过python的【上下文管理器机制】，只要将所有的计算放在【with语句】的内部就可以。当上下文管理器退出的时候，会自动的释放掉资源。这样既解决了因为异常退出时，资源释放的问题，同事也解决了忘记调用Session.close()函数而产生的资源泄露问题。
前面提到过，Tensorflow会自动的生成一个默认的【图】，如果没有特殊的指定，运算会自动的加入到这个默认的【图】总，tf.get_default_graph()。Tensorflow中的会话Session也有类似的机制，但Tensorflow不会自动的生成默认的会话，而是需要手动的指定。当默认的会话被指定之后，可以通过tf.Tensor.eval函数来计算一个张量的取值。下面的代码展示了通过设定默认的会话计算张量的取值：
import tensorflow as tf
sess = tf.Session()
with sess.as_default():
print(result.eval())在交互式环境下，比如说python脚本或者Jupyter的编辑器下，通过设置【默认会话】的方式来获取张量的取值更加的方便。所以，Tensorflow提供了一种在交互式环境下直接构建会话的函数，这个函数就是tf.InteractiveSession。使用这个函数会自动将生成的【会话】注册为【默认的会话】。下面的代码展示了这个函数的使用：
import tensorflow as tf
sess = tf.InteractiveSession()
print(result.eval())
sess.close()无论使用那种方法，都可以通过ConfigProto Protocol Buffer来配置需要生成的会话。下面给出了通过ConfigProto配置会话的方法：
import tensorflow as tf
config = tf.ConfigProto(allow_soft_placement=True,log_device_placement=True)
sess1 = tf.InteractiveSession(config=config)
sess2 = tf.Session(config=config通过ConfigProto可以配置类似并行的【线程数】、【GPU分配策略】、【运算超时时间】等参数，在这些参数中，最常用的有两个。第一个是allow_soft_placement，这是一个布尔型的参数，当它为True时，在以下任意一个条件成立的时候，GPU上的运算可以放到CPU上运行。
【1】运算无法在GPU上执行
【2】没有GPU资源(比如计算被指定到了第二个GPU上，但是计算机只有一个GPU)
【3】运算的输入中，包含对CPU计算结果的引用
5488
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
