tensorflow入门---My way of AI15

这两天一直在学习tensorfow学到迷糊了，是时候总结一下了。

记得刚来实验室的时候墙上写着上一届的一个要求还是啥，说熟练使用tensorflow语言，当时我还有一些困惑：tensorflow不就是一个框架吗，怎么独立成一个语言了。现在我理解了，tensorflow的确有很多语言特征值得深究。

首先下载tensorflow框架，可以下载cpu和gpu版本，现阶段学习的话我用的cpu版本，不过的确有很多局限性，运行很简单的程序都要很久的感觉。当然往gpu版本的过渡不过是一行代码的事情不用过度担心。

先说一些基本概念：

图

图是默认已经注册了的，他是一组表示tf.operation计算单位的对象和tf.tensor操作之间流动数据的对象

一些常用操作

API	功能
tf.get_default_graph	获取默认图，返回graph
tf.Graph()	创建一张图，返回图名
tf.constant()	创建一个张量
tf.placeholder(tf.float32, [None, 3])	样本不固定，特征值有三个
sess.run(plt, feed_dict={plt: [[1, 2, 3], [4, 5, 6], [7864, 2514, 1]]}))	placehodlder和feed_dict是结合在一块去使用的，实时的去提供数据训练

import tensorflow as tf
# 关闭警告，回顾的时候可以把这句删掉试试
import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

# 自己创建一张图,上下文环境  图是包含了一组op和tensor
# op:只要是用tensorflow的API定义的函数都是op
# 张量：tensor就指代的数据
g = tf.Graph()
# print(g)
with g.as_default():  # 相当于是一段申明内存的语句
    c = tf.constant(11.0)
    # print(c.graph)
# 当创建一张新的图的时候，系统就会创建一块新的空间去计算


# 实现一个加法运算
a = tf.constant(5.0)  # 在tensorflow中a不叫作变量
b = tf.constant(6.0)
# print(a)
# print(b)
sum1 = tf.add(a, b)
# print(sum1)天

# 运算符重载
val1 = 2.0
sum2 = a + val1  # 这是神奇的地方，如果两个变量都是int类型是不能放到run方法里运行的，也是不能直接相加的，
# 但是如果一个变量是tensor类型就可以了

# 获取图，打印，默认的这张图相当于给程序分配内存
# graph = tf.get_default_graph()
# print(graph)

# 只能运行一个图结构,可以在绘画当中指定图去运行用graph参数，如果不指定就用默认图
# 只要有会话的上下文环境就可以使用方便的eval了
# plt=tf.placeholder(tf.float32,[2,3])  #placehloder是占位符
plt = tf.placeholder(tf.float32, [None, 3])  # 样本不固定，特征值有三个
with tf.Session(graph=g, config=tf.ConfigProto(log_device_placement=True)) as sess:  # 打开会话
    print(sess.run([a, b, sum1, sum2]))  # 普通的python里面的类型是不能运行的，必须是tensor或者op类型的才可以
    print(sess.run(plt, feed_dict={
        plt: [[1, 2, 3], [4, 5, 6], [7864, 2514, 1]]}))  # placehodlder和feed_dict是结合在一块去使用的，实时的去提供数据训练
    # # print(c.eval())  # session就是启动子和张图，其实我的理解就是开始在这段内存运行
    # print(a.graph)
    # print(sum1.graph)
    # print(sess.graph)  # 可以看得出图的地址在一个地方
    print(a.graph)  # a的图
    print(11111111111)
    print(a.shape)  # 形状
    print(1111111111)
    print(plt.shape)
    print(11111111)
    print(a.name)  # 名字
    print(111111111)
    print(a.op)  # 属性

张量

tendorflow依赖于numpy，其实张量就是numpy.array的tensor类型

张量的阶和数据类型：

tensorfolw的基本数据格式
一个类型化的N维度数组
三个部分，名字、形状、数据类型

形状的改变

在深度学习中因为要进行矩阵运算所以经常要改变数据矩阵的形状
tensor的形状分为动态形状和静态形状，他们的区别在于有没有生成一张新的张量数据。

静态形状：
创建一个张量初始状态的形状
tf.tensor tf.get_shape获取静态形状
tf.Tensor.set_shapr()更新张量对象静态形状

动态形状：
一种描述原始张量在执行过程中的一种形状
tf.reshape()创建一个不同动态形状的新张量

静态形状修改之后不能再修改形状了，如果想要修改，只能修改动态形状，具体请看demo，动态形状修改的时候元素要匹配上，也就是说原来是3*3的，修改完之后还是要是9个元素

API	功能
tf.zeros(shape,dtype=tf.float32,name=None)	创建一个全0张量
tf.ones(shape,dtype=tf.float32,name=None)	创建一个全1张量
tf.constant（value）	创建一个常数张量
tf.random_normal(shape,mean,stddev=1.0)	创建一个随机分布的张量
tf.cast(x,tf.int32)	改变张量类型
tf.concat([a,b],axis=0)	a和b张量按行进行拼接

import tensorflow as tf
import numpy as py
import os

# 静态形状和动态形状
plt = tf.placeholder(tf.float32, [None, 2])
print(plt.shape)
plt.set_shape([3, 2])  # 现在固定了形状
print(plt.shape)
# plt.set_shape([2,2])  这句话就报错了，对于静态形状来说，一旦形状固定之后就不能修改了
# 那么就通过动态形状来修改
plt_reshape = tf.reshape(tensor=plt, shape=[2, 3], name=None)  # 动态形状改变的时候元素的数量要匹配，如果shape是[2,2]会出错
print(plt_reshape)

a = tf.cast(plt, tf.int32)  # 改变张量类型
print(a.dtype)

变量

变量其实也是一种op，是一种特殊的张量。能够进行存储持久化，它的值就是张量，默认被训练

var = tf.Variable(tf.random_normal([3,3],mean=0.0))
如果想要在上下文环境中显示变量还要进行变量初始化
init_op=tf.global_varial_initializer()
在上下文环境中去run
with tf.Session() as sess:
sess.run（init_op）
sess.run(var)

import tensorflow as tf
import pandas as pd
import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

# 变量op

a = tf.constant([1, 2, 3, 4, 5])

var = tf.Variable(tf.random_normal([3, 3], mean=0.0, stddev=1.0))
print(a, var)

# 必须做一步显示的初始化
init_op = tf.global_variables_initializer()

with tf.Session() as sess:
    # 必须运行初始化op
    sess.run(init_op)

    print(sess.run([a, var]))

模型的保存于加载

以tensorflow实现线性回归为例
模型的保存：tf.train.Saver(var_list=None,max_to_keep=5),var_list是将要保存于加载的会话，它作为一个dict或者一个列表传递。
max_to_keep:保存要保留的的最近检查点的最大数量

import tensorflow as tf
import os

# 添加权重参数，损失值等变量值的变化

def myregression():
    """
    自实现一个线性回归预测
    :return: None
    """
    with tf.variable_scope("data"):  # bian
        # 准备数据
        x = tf.random_normal([100, 1], mean=1.75, stddev=0.5, name="x_data")

        # 矩阵相乘必须是二维的
        y_true = tf.matmul(x, [[0.7]]) + 0.8

    with tf.variable_scope("model"):
        # 建立线性回归模型  1个特征一个权重  一个偏置y=wx+b
        # 随机初始化，随机给一个权重和偏执的值，让他计算损失，在当前状态下优化
        weight = tf.Variable(tf.random_normal([1, 1], mean=0.0, stddev=1.0), name="w")
        # 用变量定义才能优化
        bias = tf.Variable(0.0, name="b")

        # 初始的计算
        y_perdict = tf.matmul(x, weight) + bias

    with tf.variable_scope("loss"):
        # 建立损失函数，损失是均方误差
        loss = tf.reduce_mean(tf.square(y_true - y_perdict))

    with tf.variable_scope("optimizer"):
        # 梯度下降优化损失,去不用的学习率对结果有影响,刚设置成1.0，后果很可怕，偏差很大
        train_op = tf.train.GradientDescentOptimizer(learning_rate=0.1).minimize(loss)

    # 收集tensor
    tf.summary.scalar("loss", loss)

    #tf.summary.scalar("weight", weight)

    # 合并变量写入事件文件
    merge = tf.summary.merge_all()

    # 定义一个初始化变量的op
    init_op = tf.global_variables_initializer()

    #定义一个保存模型的实例
    saver=tf.train.Saver()



    # 通过会话运行程序
    with tf.Session() as sess:
        # 初始化变量
        sess.run(init_op)

        # 打印最先随机初始化的值
        print("随机初始化的参数权重为：%f ,偏执为：%f" % (weight.eval(), bias.eval()))

        # 建立事件文件
        file_wirte = tf.summary.FileWriter("./txt", graph=sess.graph)

        # 加载模型，覆盖模型中随机 定义的参数，从上次训练的参数结果开始
        if os.path.exists("./temp/model"):
            saver.restore(sess, "./temp/model")

        # 循环训练优化
        # 运行优化op
        for i in range(100):
            sess.run(train_op)

            # 运行合并的tensor
            summary = sess.run(merge)

            file_wirte.add_summary(summary, i)

            print("第%d次参数权重为：%f ,偏执为：%f" % (i, weight.eval(), bias.eval()))


        saver.save(sess,"./tmp/model")


    return None


if __name__ == '__main__':
    myregression()

authoe: specyue@mail.ustc.edu.cn 欢迎交流