Tensorflow入门
标签: tensorflow
安装Tensorflow参考这篇文章
关于Tensorflow
Tensorflow是Google的一款产品,主要用于神经网络搭建。在使用Tensorflow的时候,要注意其和以前你写的代码的区别,Tensorflow是先定义了一波计算方式***(也就是把许多变量以及变量间运算存储成计算图)**,然后开启一个会话(Session),我们在会话里面计算这个图。所以当初我在学习的时候很不习惯,我总是定义一个变量后就直接进行print,会发现输出的就是一串字符,也不知道是干什么的,其实这个就是Tensorflow的特别的地方,它是想定义,最后使用的时候是在Session中使用,所以一定要接受这个观念。
张量
在Tensorflow中它自己规定了定义变量的方法,就是如果你想使用Tensorflow进行计算,那么你定义变量的时候必须使用Tensorflow的类型定义。看下面的代码:
a = tf.constant(10,tf.float32)
b = tf.constant(11,tf.float32)
c = a+b
print(a)
print(c)
这段代码的意思就是定义了两个张量,constant
的意思是常数(后面还会学到变量的),然后c是a和b相加,如果你按照正常的思维,你会觉得第一个print
应该输出一个10
一个21
,但是结果却是两串字符串:
Tensor("Const:0", shape=(), dtype=float32)
Tensor("add:0", shape=(), dtype=float32)
这也证实了我上面说的,Tensorflow前面是定义一些东西,也就是定义了一个计算图(计算的方式),然后在会话里面才真正的执行。上面两个字符串的意义是,a是一个张亮,名字是Const:0
,因为是常量,所以形状是()
,类型是float32
,所以上面只给出了关于a的定义,就相当于搭了一个架子,上面就相当于搭了如下的架子:
会话
当我们把架子搭完了(比如你神经网络前向传播定义好了),你就开始拿到会话中计算,所以我们要开启一个会话,然后计算我们的计算图,代码如下:
a = tf.constant(10,tf.float32)
b = tf.constant(11,tf.float32)
c = a+b
with tf.Session() as sess:
print(sess.run(a))
print(sess.run(c))
上面定义a,b,c
还是依旧,只是下面用了一句with tf.Session() as sess:
这句话就相当于开启了一个会话,以后你就可以使用sess
进行计算图了,然后下面sess.run(a)
就相当于计算a看一下a的值,最后输出的是10.0(因为是float32类型)。
扩展-其他的数据类型
其实有了上面的基础就算是对Tensorflow有了直观的感受,后续就可以直接看一下Tensorflow有哪些函数,然后去使用就行了。
下面讲的是对Tensorflow其他数据类型的讲解,因为只有一个tf.constant
是不够的,所以Tensorflow引入了tf.Variable()
,这个定义的是一个变量,里面有参数,不同的参数代表生成不同形态的变量。
a = tf.Variable(tf.random_normal([3,2]))
b = tf.Variable(tf.zeros([3,2]))
a代表是一个符合正态分布,形状为3行2列的变量,b是生成了全部为0,形状为3行2列的变量,其中tf.random_normal
和tf.zeros
是Tensorflow中的生成函数,有如下这些常用类型:
TensorFlow 随机数生成函数
TensorFlow 常数生成函数
注意
因为是变量,尤其是像随机数生成的,由于他们在初始的时候并没有值,只是定义了结构,所以你在会话中使用这些变量的时候,一定一定要注意进行初始化。如果你报如下异常,就说明你忘记初始化了:
tensorflow.python.framework.errors_impl.FailedPreconditionError: Attempting to use uninitialized val
ue Variable
你可以使用如下方法初始化:
-
初始化单个变量
sess.run(a.initializer)
-
初始化所有变量
sess.run(tf.global_variables_initializer())