TensorFlow 编程概念

学习目标：

• 学习 TensorFlow 编程模型的基础知识，重点了解以下概念：
  • 张量
  • 指令
  • 图
  • 会话
• 构建一个简单的 TensorFlow 程序，使用该程序绘制一个默认图并创建一个运行该图的会话

注意： 请仔细阅读本教程。TensorFlow 编程模型很可能与您遇到的其他模型不同，因此可能不如您期望的那样直观。

概念概览

TensorFlow 的名称源自 张量 ，张量是任意维度的数组。

借助 TensorFlow，您可以操控具有大量维度的张量。即便如此，在大多数情况下，您会使用以下一个或多个低维张量：

• **标量**是零维数组（零阶张量）。例如，\'Howdy\' 或 5
• **矢量**是一维数组（一阶张量）。例如，[2, 3, 5, 7, 11] 或 [5]
• **矩阵**是二维数组（二阶张量）。例如，[[3.1, 8.2, 5.9][4.3, -2.7, 6.5]]

TensorFlow 指令 会创建、销毁和操控张量。典型 TensorFlow 程序中的大多数代码行都是指令。

TensorFlow 图（也称为 计算图 或 数据流图 ）是一种图数据结构。很多 TensorFlow 程序由单个图构成，但是 TensorFlow 程序可以选择创建多个图。图的节点是指令；图的边是张量。张量流经图，在每个节点由一个指令操控。一个指令的输出张量通常会变成后续指令的输入张量。TensorFlow 会实现延迟执行模型，意味着系统仅会根据相关节点的需求在需要时计算节点。

张量可以作为 常量 或 变量 存储在图中。您可能已经猜到，常量存储的是值不会发生更改的张量，而变量存储的是值会发生更改的张量。不过，您可能没有猜到的是，常量和变量都只是图中的一种指令。常量是始终会返回同一张量值的指令。变量是会返回分配给它的任何张量的指令。

使用 tf.constant 指令定义常量，并传入它的值。例如：

x = tf.constant([5.2])

使用 tf.Variable 指令定义创建变量，并传入它的值。例如：

y = tf.Variable([5])

或者，您也可以先创建变量，然后再如下所示地分配一个值（注意：您始终需要指定一个默认值）：

y = tf.Variable([0])
y = y.assign([5])

定义一些常量或变量后，您可以将它们与其他指令（如 tf.add）结合使用。在评估 tf.add 指令时，它会调用您的 tf.constant 或 tf.Variable 指令，以获取它们的值，然后返回一个包含这些值之和的新张量。

图必须在 TensorFlow 会话 中运行，会话存储了它所运行的图的状态：

将 tf.Session() 作为会话：
  initialization = tf.global_variables_initializer()
  print y.eval()

在使用 tf.Variable 时，您必须在会话开始时调用 tf.global_variables_initializer，以明确初始化这些变量，如上所示。

注意： 会话可以将图分发到多个机器上执行（假设程序在某个分布式计算框架上运行）。有关详情，请参阅分布式 TensorFlow。

总结

TensorFlow编程本质上是一个两步流程

• 将常量、变量和指令整合到一个图中
• 在一个会话中评估这些常量、变量和指令

创建一个简单的 TensorFlow 程序

输出 TensorFlow 版本

#!/usr/bin/env python
# -*- coding:utf-8 -*-
# @Copyright (C), 2018, matrix.wang

import tensorflow

print(tensorflow.__version__)

输出

1.8.0

我们来看看如何编写一个将两个常量相加的简单 TensorFlow 程序

添加 import 语句

与几乎所有 Python 程序一样，您首先要添加一些 import 语句。
当然，运行 TensorFlow 程序所需的 import 语句组合取决于您的程序将要访问的功能。至少，您必须在所有 TensorFlow 程序中添加 import tensorflow 语句：

import tensorflow as tf

请勿忘记执行前面的代码块（import 语句）。

其他常见的 import 语句包括：

import matplotlib.pyplot as plt # 数据集可视化
import numpy as np              # 低级数字 Python 库
import pandas as pd             # 较高级别的数字 Python 库

TensorFlow 提供了一个默认图。不过，我们建议您明确创建自己的 Graph，以便跟踪状态（例如，您可能希望在每个单元格中使用一个不同的 Graph）。

import tensorflow as tf

# Create a graph.
g = tf.Graph()

# Establish the graph as the "default" graph.
with g.as_default():
  # Assemble a graph consisting of the following three operations:
  #   * Two tf.constant operations to create the operands.
  #   * One tf.add operation to add the two operands.
  x = tf.constant(8, name="x_const")
  y = tf.constant(5, name="y_const")
  sum = tf.add(x, y, name="x_y_sum")

  # Now create a session.
  # The session will run the default graph.
  with tf.Session() as sess:
    print sum.eval()

输出

13

练习：引入第三个运算数

修改上面的代码列表，以将三个整数（而不是两个）相加：

• 定义第三个标量整数常量 z，并为其分配一个值 4
• 将 sum 与 z 相加，以得出一个新的和

提示： 请参阅有关 tf.add() 的 API 文档，了解有关其函数签名的更多详细信息。

• 重新运行修改后的代码块。该程序是否生成了正确的总和？

# Create a graph.
g = tf.Graph()

# Establish our graph as the "default" graph.
with g.as_default():
  # Assemble a graph consisting of three operations. 
  # (Creating a tensor is an operation.)
  x = tf.constant(8, name="x_const")
  y = tf.constant(5, name="y_const")
  sum = tf.add(x, y, name="x_y_sum")
  
  # Task 1: Define a third scalar integer constant z.
  z = tf.constant(4, name="z_const")
  # Task 2: Add z to `sum` to yield a new sum.
  new_sum = tf.add(sum, z, name="x_y_z_sum")

  # Now create a session.
  # The session will run the default graph.
  with tf.Session() as sess:
    # Task 3: Ensure the program yields the correct grand total.
    print new_sum.eval()