tensorflow—图,会话,常量,变量

tensorflow基础篇
图(graphs),会话(session),张量(tensor),变量(Variable),节点（operation）
1.在会话中执行任务
2.在图中表示计算任务
3.张量（tensor）表示数据
4.变量（Variable）来维护数据
5.节点（operation）表示一次计算结果

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，一个op获得0或多个tensor，执行计算，产生0或多个tensor，tensor看作是一个n维的数组或列表，图必须在session里被启动。

如图关系如下：

一个session会话中有 graph1和graph2两个图，图中的流程控制如上。

1.创建图，启动图
代码如下：

# import tensorflow as tf
# #创建一个常量
# m=tf.constant([[3,3]])
# #创建一个常量
# x=tf.constant([[2],[3]])
# #创建一个矩阵乘法op，把m和x传入
# res=tf.matmul(m,x)
# #print(res)


# #定义一个会话，启动默认图
# sess=tf.Session()
# #调用sess的run方法执行矩阵乘法op
# #run（res）触发了图中3个op
# reslt=sess.run(res)
# print(reslt)
# sess.close()

op类似于一个方法，例如上述乘法，在会话中调用。
上述中，创建的图为：

# import tensorflow as tf
# m=tf.constant([[3,3]])
# x=tf.constant([[2],[3]])
# res=tf.matmul(m,x)
# #print(res)

此段代码即创建了一个图

在会话中：

# #定义一个会话，启动默认图
# sess=tf.Session()
# #调用sess的run方法执行矩阵乘法op
# #run（res）触发了图中3个op
# reslt=sess.run(res)
# print(reslt)
# sess.close()

上述代码，调用上述op，启动了图。这个就是一个完整的会话，与图。

2.变量
变量用法如下：

# import tensorflow as tf
# x=tf.Variable([1,2])#变量    在使用变量前得初始化
# a=tf.constant([3,3])#常量
# #减法op
# sub=tf.subtract(x,a)
# #加法op
# add=tf.add(x,sub)
# init=tf.global_variables_initializer()#全局变量得初始化
# #定义一个会话
# #会话使用前得初始化
# with tf.Session()as sess:#一个会话
#     sess.run(init)#会话中首先进行变量初始化
#     print(sess.run(sub))
#     print(sess.run(add))

使用变量时，在会话中，必须将变量初始化：

 init=tf.global_variables_initializer()#全局变量得初始化
 .
 .
  sess.run(init)#会话中首先进行变量初始化

例如：写一段累加的tensorflow代码：

import tensorflow as tf
state=tf.Variable(0)
add_op=tf.add(state,1)

updata_op=tf.assign(state,add_op)

init=tf.global_variables_initializer()
with tf.Session()as sess:
    sess.run(init)
    print(sess.run(state))
    print(sess.run(add_op))

    for i in range(2):
        sess.run(updata_op)
        #print(sess.run(updata_op))
        print(sess.run(state))

运行如下：

0
1
1
2

同学们自己探究其原因。

3.张量
Tensor（张量）是Tensorflow中最重要的数据结构，用来表示Tensorflow程序中的所有数据。Tensor本是广泛应用在物理、数学领域中的一个物理量。
实际上，我们可以把Tensor理解成N维矩阵（N维数组）。其中零维张量表示的是一个标量，也就是一个数；一维张量表示的是一个向量，也可以看作是一个一维数组；二维张量表示的是一个矩阵；同理，N维张量也就是N维矩阵。

import tensorflow as tf
m=tf.constant([3,5])
x=tf.constant([2,4])
res=tf.add(m,x)
with tf.Session()as sess:
    print(sess.run(res))
print(res)

输出为：

Tensor("Add:0", shape=(2,), dtype=int32)

上述输出结果表明：构建图的运算过程输出的结果是一个Tensor，且其主要由三个属性构成：Name、Shape和Type。Name代表的是张量的名字，也是张量的唯一标识符，我们可以在每个op上添加name属性来对节点进行命名，Name的值表示的是该张量来自于第几个输出结果（编号从0开始），上例中的“Add:0”说明是第一个结果的输出。Shape代表的是张量的维度，上例中shape的输出结果(2,)说明该张量result是一个一维数组，且每个维度数组的长度是2。最后一个属性表示的是张量的类型，每个张量都会有唯一的类型

常用op如下：

1.算术操作符：+ - * / % tf.add(x, y, name=None)
2.加法(支持 broadcasting)tf.subtract(x, y, name=None)
3.减法tf.multiply(x, y, name=None)
4.乘法tf.divide(x, y, name=None)
5.浮点除法, 返回浮点数(python3 除法)tf.mod(x, y, name=None)
6.幂指对数操作符：^ ^2 ^0.5 e^ ln tf.pow(x, y, name=None)
7.幂次方tf.square(x, name=None)
8.平方tf.sqrt(x, name=None)
9.开根号，必须传入浮点数或复数tf.exp(x, name=None)
10.计算 e 的次方tf.log(x, name=None)
11. 以 e 为底，必须传入浮点数或复数 # 取符号、负、倒数、绝对值、近似、两数中较大/小tf.negative(x, name=None)
12. 取负(y = -x).tf.sign(x, name=None)
13.返回 x 的符号tf.reciprocal(x, name=None)
14.取倒数tf.abs(x, name=None)
15.求绝对值tf.round(x, name=None)
16.四舍五入tf.ceil(x, name=None)
17.向上取整tf.floor(x, name=None)
18.向下取整tf.rint(x, name=None)
19.取最接近的整数 tf.maximum(x, y, name=None)
20.返回两tensor中的最大值 (x > y ? x : y)tf.minimum(x, y, name=None)
21.返回两tensor中的最小值 (x < y ? x : y)
22.三角函数和反三角函数tf.cos(x, name=None) tf.sin(x, name=None) tf.tan(x, name=None)