Tensorflow学习笔记

1.基本概念

Tensorflow是一个编程系统，使用图（graphs）来表示计算任务，图（graphs）中的节点称之为op（operation），一个op获得0个或多个Tensor，执行计算，产生0个或多个Tensor。Tensor看作是一个n维的数组或列表。图必须在会话（Session）里被启动。

• 使用图（graphs）来表示计算任务
• 在被称之为会话（Session）的上下文（context）中执行图
• 使用tensor表示数据
• 通过变量（Variable）维护状态
• 使用feed和fetch可以为任意的操作赋值或者从其中获取数据

2.创建图，启动图

（1）传统编程思维：只是定义了这个op，但是并没有执行！

Tensor Flow首先创建一个骨架图，其中包含所有组件。此时，没有实际的数据流入，也没有计算发生。只有在执行时，当我们运行会话时，该数据进入图并进行计算。这样考虑了整个图的结构，可以让计算变得更有效率。

import tensorflow as tf

m1=tf.constant([[3,3]])   #创建一个常量op
m2=tf.constant([[2],[3]])
product=tf.matmul(m1,m2)    #创建一个矩阵乘法op，把m1和m2传入
print (product)    #这里将输出一个Tensor。

（2）启动默认图，进行计算

#定义一个会话1，启动默认图
sess=tf.Session()  #旧版本
#调用sees的run方法来执行矩阵乘法op
#run(product)触发了图中3个op
result=sess.run(product)    
print(result) #输出结果：[[15]]
sess.close()

如上写法，必须关闭会话。使用with则无需关闭。

with语句

它使用由上下文管理器（具有特殊方法函数的对象）定义的方法来包装块的执行—上下文管理器有专用的方法函数，设置一个代码块的.__enter__()和退出块的.__ exit __()。

with tf.Session() as sess:
    result=sess.run(product)
    print(result)

（3）定义一个新的图，将它设置为默认图

• tf.Graph()创建一个新的计算图，表示为Tensor Flow对象。
• 可以通过使用tf.get_default_graph()来检查当前设置的默认图。
• 对于给定的节点，我们可以通过使用<node> .graph属性查看它所关联的图
• 使用with语句和as_default()命令返回一个上下文管理器，使该计算图成为默认图。当使用多个图时，它会派上用场。

g = tf.Graph()
a = tf.constant(5)
print(a.graph is g)
print(a.graph is tf.get_default_graph())

with g.as_default():
 	b = tf.constant(5)

3.变量的使用

优化过程的作用是调整某些给定模型的参数。为此，Tensor Flow使用称为变量的特殊对象。

与其他每次运行会话时“重新填充”数据的Tensor对象不同，变量在图中保持固定状态。这很重要，因为它们的当前状态可能会影响下一次迭代中它们的变化。像其他Tensor一样，变量可以用作图中其他操作的输入。

使用变量分两个阶段完成。首先我们调用tf.Variable()函数来创建一个变量并定义它将被初始化的值。然后，我们必须通过使用tf.global_variables_initializer()方法运行会话来显式执行初始化操作，该方法为“变量”分配内存并设置其初始值。

（1）定义并初始化一个变量：tf.global_variables_initializer()

import t