Tensorflow（一）

Tensorflow基础

一，数据类型

Tensorflow中的基本单位是：图（图表），操作：（OP），会话:(会话），张量（张量），除此之外还有变量:(可变）等数据类型

如图1所示，图（图表）：

（1）图是整个计算流程的基本对象，所有的操作都要在图中运行，一般我们使用

G=tf.Graph()

来构建一个图对象

（2）如果你的程序中没有定义图，那么系统会自动构建一个默认的图，从而完成你的所有计算，这个默认图可以通过

tf.get_defalut_graph()

来获取到你默认的图对象

（3）在我们填写图中的元素时，一般用

with G.as_default():

来定义该对象（G）内的元素

2，张量（张量）：

（1）张量是Tensorflow中的基本数据类型，所有的数据都以该类型来存储，但张量里记录的不是一个值，而是怎样求出这个值的过程，如果我们想要调用这个值时，需要用相关的运行器来运行这个计算过程，也就是下一小结的会话

（2）常量是我们最常使用的数据存储类型，一般使用

x = tf.constant(initial_value, name, type)

来创建一个常量型的张量，它通常用来存储那些在整个过程中不变的值

initial_value：初始值，名称：标识符，类型：数据类型

（3）变量也是一种张量，一般使用

w = tf.Variable(initial_value, trainable)

来创建变量，它的主要参数有initial_value决定他的初始值，可训练决定该变量是否在训练过程中参与优化，默认值为真时，

另外，在我们对它初始化时，常用

tf.random_normal(initial_vale, stddev, seed) 

随机化函数来创建一个随机值或随机矩阵

initial_shape：初始矩阵形状，stddev：标准差，种子：种子值，同样的种子值随机化出来的矩阵是相同的

3，会话（会话）：

（1）会话是一种运行器，或者形似一个编译器，因为所有的张量存储的都是运算过程，所以当我们需要调用张量时，我们就需要相应的运行器来运行我们的张量（或者说编译这段代码，当然其实已经编译过了，只是形似），不同的图可以定义不同的会话

（2）一般采用

with tf.Session(graph=G) as sess:

来创建已指定图类型的会话

（3）在采用上述的那种定义来定义会话后，一般使用

sess.run(op)

来运行我们需要运行的语句

 

如图4所示，操作（OP）：

（1）在tensorflow中，会话真正运行的是运算，而不是张量，张量只是一个（过程）这种数据类型，而运算才是真正的我们要运行的对象，举个例子，比如在下列代码中：

init_op = tf.global_variables_initializer()

tf.global_variables返回了当前计算图中的所有变量，而_initializer（）方法则是对变量进行初始化，所以这句语句的意思就是将init_op定义为一个将当前计算图中的所有变量都初始化的一个运算，但是如果我们不用相关会话去运行这个运算的话，这个操作是不会运行的，也就是说，只有在我们用.RUN（）方法运行过运算后，这个运算的代码才会被执行

5，例子（情况）：

以下是一个简单的创建一个单层网络的例子：

import tensorflow as tf

G=tf.Graph()

with G.as_default():
    # Variable:变量 stddev:标准差 seed:种子 trainable:是否需要优化
    # w:权值矩阵 init_op:初始化w操作
    w1 = tf.Variable(tf.random_normal((2, 3), stddev=1, seed=1), trainable=True)
    w2 = tf.Variable(tf.random_normal((3, 1), stddev=1, seed=1),trainable=False)
    init_op = tf.global_variables_initializer()
    # constant:张量
    # input:输入向量
    input= tf.constant([[0.7, 0.9]])
    #matmul:矩阵乘法
    #计算流程 calulation
    cal1 = tf.matmul(input, w1)
    output = tf.matmul(cal1, w2)

with tf.Session(graph=G) as sess:
    sess.run(init_op)
    print(sess.run(output))