18-tensorflow

基础

深度学习介绍

深度学习，如深度神经网络、卷积神经网络和递归神经网络已被应用计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域。并获取了极好的效果。

tensorflow特点
1、真正的可移植性
引入各种计算设备的支持包括CPU/GPU/TPU，以及能够很好地运行在移动端，
如安卓设备、ios、树莓派等等

2、多语言支持
Tensorflow 有一个合理的c++使用界面，也有一个易用的python使用界面来构建和
执行你的graphs，你可以直接写python/c++程序。

3、高度的灵活性与效率
TensorFlow是一个采用数据流图（data flow graphs），用于数值计算的开源软件库
能够灵活进行组装图，执行图。随着开发的进展，Tensorflow的效率不算在提高

4、支持
TensorFlow 由谷歌提供支持，谷歌投入了大量精力开发 TensorFlow，它希望
TensorFlow 成为机器学习研究人员和开发人员的通用语言

cpu与gpu

cpu：运行操作系统，主要处理业务，计算能力不是特别突出
gpu：专门为计算设计的，计算部件多

tensorflow

tensorflow中的图

数据流图

tensorflow中的数据是tensor（张量）

flow是流动的意思，tensorflow就是说数据在整张图中进行运算，流动

图中的方块被称之为节点（operation）：专门进行运算。所有操作都是一个op

图（Graph）的概念：你的整个程序的结构

图默认已经注册，一组表示 tf.Operation计算单位的对象和tf.Tensor表示操作之间流动的数据单元的对象

会话：运算程序的图，当你定义好图之后，还需要进行运算才能得出结果。Session的运算只能运算一张图

图的获取调用：

• tf.get_default_graph()
• op、sess或者tensor 的graph属性

默认的这张图相当于给程序分配一个内存，

tensorflow进阶

在机器学习中，io操作并不频繁，大多都是计算密集型

图

图的创建

tf.Graph()

import tensorflow as tf

#创建一张图
g = tf.Graph()
print(g)
with g.as_default():	#使用这张图，在这个上下文环境中使用的图和其他的图互不干扰
    c = tf.constant(11.0)
    print(c.graph)

op

op：只要使用tensorflow的API定义的函数都是OP

tensor：指代的就是数据

会话

tensorflow分为前端系统和后端系统
前端系统：定义程序的图的结构
后端系统：运算图结构

会话的作用

• 运行图的结构（只能运算一张图，可以在会话中指定运行哪张图）
• 分配资源计算
• 掌握资源（变量、队列、线程），会话结束，这些资源就不能再使用

Session.run()即运行整张图，如果不用上下文管理器就需要手动close

import tensorflow as tf
#实现一个加法运算
a = tf.constant(5.0)
b = tf.constant(0.4)
mysum = tf.add(a, b)
print(mysum)
print(tf.get_default_graph())

with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:	#Session的这个参数可以让我们知道op在那个设备上运行（比如add是在哪个cpu上执行的）
    print(sess.run(mysum))
    print(a.graph)
    print(mysum.eval()