TensorFlow学习1

mac 安装 venv环境下

pip install --ignore-installed --upgrade "https://raw.githubusercontent.com/lakshayg/tensorflow-build/master/tensorflow-1.8.0-cp36-cp36m-macosx_10_7_x86_64.whl" 

1.计算图

tensorflow程序一般分为两个阶段：

1.定义计算图所有的计算

例：

import tensorflow as tf
a = tf.constant([1.0,2.0],name='a')
b = tf.constant([2.0,3.0],name='b')
result = a+b

在Tensorflow程序中系统会自动维护一个，默认的计算图，通过tf.get._default_graph函数可以获取当前默认的计算图

import tensorflow as tf
#TensorFlow支持通过tf.Graph()函数来生成新的计算视图
#不同的计算视图的张量和运算都不会共享
g1 = tf.Graph()
with g1.as_default():
    #在计算视图g1中定义变量"V"，并设置初始值为0；
    # 新版zeros_initializer()的构造函数默认指定数据类型，没有shape相关内容
    v = tf.get_variable('v',[1],initializer=tf.zeros_initializer())

g2 = tf.Graph()
with g2.as_default():
    #在计算视图g2中定义变量"V"，并设置初始值为1；
    v = tf.get_variable('v',[1],initializer=tf.ones_initializer())
# 在计算图g1中提取变量'v'的值：

with tf.Session(graph=g1) as sess:
    tf.global_variables_initializer().run()
    #“scope”的意思是“范围”
    # Variable Scope 这种独特的机制来共享变量。
    with tf.variable_scope('',reuse=True):
        #在计算图g1中，变量'v'的取值应该为0，所以下面这行会输出[0.]
        print(sess.run(tf.get_variable('v')))

with tf.Session(graph=g2) as sess:
    tf.global_variables_initializer().run()
    #“scope”的意思是“范围”
    # Variable Scope 这种独特的机制来共享变量。
    with tf.variable_scope('',reuse=True):
        #在计算图g2中，变量'v'的取值应该为0，所以下面这行会输出[1.]
        print(sess.run(tf.get_variable('v')))

以上代码产生两个计算图，每个计算图中定义了一个名字为‘v'的变量，在g1中将v初始化为0，在g2中初始化为1，当运行不同的计算图的时候，变量v的值是不一样，tensorflow中的计算图不仅仅可以用来隔离张量和计算，他还提供了管理张量和计算的机制，计算图可以痛殴tf.Graph.device函数来指定运行计算的设备，这为tensorflow使用GPU提供了机制

g = tf.Graph()
# 指定计算运行的设备
with g.device('/gpu:0'):
    result = a+b

2、在session中执行计算

2.TensorFlow数据模型------张量

   在TensorFlow程序红，所有的数据都通过长脸的形式来表示，从功能的角度上来看，张量可以被简单的理解为多为数组

，其中零阶张量（scalar）,也就是一个数，第一阶张量为向量（vector），也就是一个一维数组；第n阶张量可以理解为一个n维数组。

# tf.constant是一个计算，这个计算的结果为一个张量，保存在变量a中
a = tf.constant([1.0,2.0],name='a')

一个张量主要保存了三个属性：名字（name）、维度（shape）和类型（type）。其中，name属性以“node：src_output”的形式表示，node表示节点的名称，src_output表示当前张量来自节点的第几个输出。还可以通过result.get_shape函数来获取结果张量的维度信息。

3.TensorFlow运行模型-------会话

     TensorFlow中的会话（session）来执行定义好的运算，会话拥有并管理tensorflow程序运行时的所有资源。

TensorFlow中使用的会话模式一般有两种，第一种模式需要明确调用会话生成还书和关闭会话函数

#创建一个会话
sess = tf.Session()
#使用这个创建好的会话来得到关心的运算的结果，比如可以调用sess.run(result)
sess.run(...)
#关闭会话使得本次运行中使用到的资源可以被释放。
sess.close()

使用上面模式时，计算完成后，需要明确调用Session.close函数来关闭会话，当程序一场推出时，关闭会话就不会被执行，从而导致资源泄漏。

TensorFlow可以通过python的上下文管理器来使用会话：

#创建一个会话，并通过python中的上下文管理其来管理这个会话
with tf.Session() as sess:
    # 使用创建好的会话来计算关心的结果
    sess.run(...)
    #当上下文退出时会话关闭和资源释放自动完成

在交互式环境下，使用设置默认会话的方法来获取张量的取值更加方便，tensorflow提供了一种在交互式环境下直接构
默认会话的函数，tf.InteractiveSession。该函数会自动将生成的会话注册为默认会话。

sess= tf.InteractiveSession()
print(result.eval())
sess.close()

 无论使用哪种方法都可以通过ConfigProto Protocol Buffer来配置需要生成的会话。使用tf.ConfigProto函数配置会话的方法：

config=tf.ConfigProto(allow_soft_placement=True,log_device_placement=True)
sess1=tf.InteractiveSession(config=config)
sess2=tf.Session(config=config)