Tensorflow修炼手册（卷一）：从numpy到Tensorflow

Tensorflow在设计之时就参考了很多numpy的设计理念，二者有很多相似之处。不妨借助numpy，认识下Tensorflow

Numpy初识

第一段代码

# 引入numpy库
>>> import numpy as np            
# 创建一维数组，并且获得其属性
>>> vector = np.array([1,2,3])
>>> vector.shape
(3,)
>>> vector.size
3
>>> vector.ndim
1
>>> type(vector)
<class 'numpy.ndarray'>
# 创建二维数组，并获得其属性
>>> matrix = np.array([[1,2],[3,4]])
>>> matrix.shape
(2, 2)
>>> matrix.size
4
>>> type(matrix)
<class 'numpy.ndarray'>

在numpy中可以通过np.array创建一个多维的数组，并可以利用之进行运算。

例如：

>>> one =np.arange(12)
>>> one
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])
>>> one.reshape((3,4))
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

使用np.arange方法构造一个数组，可以使用reshape方法，将一维数组，变换为三行四列的矩阵。

numpy还有一些其他操作，如生成全零矩阵，或者生成对角线矩阵。更高阶用法参考官方教程。

>>> zeros = np.zeros((3,4))
>>> zeros
array([[0., 0., 0., 0.],
       [0., 0., 0., 0.],
       [0., 0., 0., 0.]])
>>> ones = np.ones((5,6))
>>> ones
array([[1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1.]])
>>> ident = np.eye(4)
>>> ident
array([[1., 0., 0., 0.],
       [0., 1., 0., 0.],
       [0., 0., 1., 0.],
       [0., 0., 0., 1.]])

Tensorflow：Hello World!

Tensorflow中有多种数据类型，诸如tf.float32等。

创建常量：

>>> import tensorflow as tf
>>> const = tf.constant(3)
>>> const
<tf.Tensor: id=0, shape=(), dtype=int32, numpy=3>

只有创建会话才会有运算结果，关于Tensorflow的会话，后面再说。

创建变量：

>>> var = tf.Variable(3)
>>> var
<tf.Variable 'Variable:0' shape=() dtype=int32, numpy=3>

在Tensorflow的返回值中可以观察到变量和常量的各种属性。