tensorflow相关概念

0.数据的基本形式

• 标量：数值形式
• 向量：一维标量
• 矩阵：二维标量
• 张量：多维标量

1.什么是tensorflow？

• tensorflow是用于表示某种类型的计算抽象(计算图)的框架；
• tensor：N维矩阵；
• flow：基于数据流图的计算；
• tensorflow：张量从图的一端流到另一端；

2.为什么要使用tensorflow？

1. 网络训练过程：在训练中，需要连续的将多批新数据输入网络，计算网络输出，根据代价函数统计误差，对参数求导来更新网络；
2. 问题：①加入数据的规模较大；②频繁的求导运算；
3. tensorflow优点：①分布式计算解决规模问题；②函数对于tensor变量可以实现自动求导，从而解决求导问题；
4. 其他优点：①基于图的运算，在GPU上运行较快；②编译效率高；③生成网络拓扑结构 与可视化；④支持多种设备；

3.基本结构

(1)可以通过tensor、variable、operation等构造计算图；

(2)一个Session可以包含多个计算图；

4.基本概念

(1)计算图

一种全局数据结构，表示为有向图的形式，用于捕获有关计算的指令；

tf.Tensor对象：指向刚刚建立的节点的指针；

说明：计算图仅仅包含计算的步骤，不包含结果；

(2)会话

是什么？：包含一个指向全局图的指针，该指针指向所有的节点的指针可以不断变化，所以在创建节点之前或之后都可以创建会话；

作用：处理内存分配和优化，使得计算图指定的任务可以执行；

使用：sess.run(node)或sess.run([node1,node2...])

# 在实验中同时完成多个操作，减少系统开销
result,num1 = sess.run([sum1,num1])

尽量在一次中完成多个项目，避免重复调用，减少系统开销；

# coding=utf-8
# Session的两种启动方式(推荐方式1)
import tensorflow as tf
num1 = tf.constant(3)  # 变量3
num2 = tf.constant(2)  # 变量2
sum1 = tf.add(num1,num2)  # 两数相加
print(sum1)  # Tensor("Add:0", shape=(), dtype=int32)

# 方式1
with tf.Session() as sess:
    result = sess.run(sum1)
    print(result)
# 结果：5

# 方式2
sess = tf.Session()
result = sess.run(sum1)
print(result)
sess.close()

(3)占位符 与feed

占位符：是一种用于接受外部输入的节点；

使用：sess.run(node,feed_dict={name:value})#数据的输入以字典的形式，value可以为数值或numpy数组；

# coding=utf-8
#feed：实现值传入，并计算结果
import tensorflow as tf
#创建占位符
input1 = tf.placeholder(tf.float64)
input2 = tf.placeholder(tf.float64)
#两数相乘
result = tf.multiply(input1,input2)
with tf.Session() as sess:
    #feed的数据以字典的形式传入
    print(sess.run(result,feed_dict={input1:[2.],input2:[7.]}))
# 结果：[ 14.]

(4)计算路径

依赖于图中其他节点的运算值时，需要先调用sess.run()完成其他节点的计算；

仅仅通过必须的节点便可以自动进行计算；

(5)变量

1. 变量创建：

   #方式1
   op1 = tf.Variable([[3,3]],name='op1')
   #方式2
   v1 = tf.get_variable('v1', shape=[5], initializer=tf.constant_initializer())

    

2. 变量的状态维持(tf.assign())

   # coding=utf-8
   '''
   Variable实现计数器功能：通过循环和加法实现
   '''
   import tensorflow as tf
   #定义变量
   state = tf.Variable(0,name='counter')
   #定义常量
   count = tf.constant(1)
   #计算两数之和
   new_state = tf.add(state,count)
   #将计算值更新(将new_state的值赋值给state)
   update = tf.assign(state,new_state)
   #存在变量时需要初始化
   init = tf.initialize_all_variables()
   #Session启动计算任务
   with tf.Session() as sess:
       sess.run(init)#Session初始化变量
       for _ in range(3):
           sess.run(update)
           print(sess.run(state))
   

    

3. 变量需要初始化   

   #方法1
   init = tf.global_variables_initializer()
   #方法2
   init = tf.initialize_all_variables()

5.应用注意

(1)如何将计算表示成图

(2)Session启动图运算

(3)数据-->tensors

(4)使用Variable来保持状态信息

(5)数据的填充与获取