tensorFlow基础

tensorflow=tensor+flow
tensor（张量）意味着N维数组，flow（流）意味着基于数据流图计算
tensorflow数据流图一般包括张量（tensor），算子（operation），会话（session），变量（variable），占位符（placeholder）和图（graph）组成，下面按照以上顺序介绍。

1. 张量

张量：零阶张量为标量，也就是一个数值；一阶张量为向量，如：[1,2,3];二阶张量为矩阵，如[[1,2,3],[4,5,6]]。
张量中许多表达形式和numpy数据集类似，tf.float32,tf.flaot64,tf.int16等

2. 算子

对张量进行计算叫算子，它是对张量执行运算的节点，下面展示一些常用的类型，会在接下来的代码中出现：

算子类型	示例
数值计算	add,sub,multiply,equal,log
多维数组运算	slice,constant,shape,rank
状态管理	variable，assign
矩阵运算	matmul
神经网络	softmax,sigmoid,relu,maxpool

3.会话（session）

在tensorflow程序中，Session对象的创建不需要任何参数，如：

import tensorflow as tf
sess=tf.Session()

创建Session对象后，需要使用run（）来运行和计算张量对象，sess.run（）中有四个参数，其中fetches是必选，其余为可选

sess.run(fetches,feet_dict=None,options=None,run_metadata=None)

3.1 fetches参数

fetches可以接受图中用户想要执行的元素。如对象是tensor，则输出为一个数组，对象为op,则输出运算结果。

import tensorflow as tf
a=tf.add(5,6)
b=tf.multiply(5,6)
with tf.Session()as sess:
##计算5+6，输出11
    print(sess.run(a))
##计算5*6，输出30
    print(sess.run(b))
##将上面两个式合并输出
 	print(sess.run([a,b]))

3.2 feed_dict参数

feed_dict可以覆盖图中tensor值。feed_dict的作用是将一个变量赋值给运算中的参数，举例便可一目了然。

import tensorflow as tf
a=tf.add(5,5)
b=tf.multiply(a,10)
with tf.Session()as sess:
##第一个输出为100，先计算a=5+5，再将a传递给b，计算结果为100
    print(sess.run(b))
##第二个输出为50，feed_dict改变了a的值，把5传递给a,所以输出50
    print(sess.run(b,feed_dict={a:5}))

feed_dict在神经网络应用非常广泛，与站位符placeholder配合使用，在接下来会继续介绍。
综上：session会话就是执行之前声明的操作和运算，计算其结果。feet_dict就是改变变量的值，将一个新的值赋给变量

4.常量+变量

常量：

tf.constant(value, dtype=None, shape=None, name="Const", verify_shape=False)

1.value：常量值，要与dtype保持一致
2.dtype:返回tensor的类型
3.shape：返回tensor形状
4.name：tensor的名字
5.verify_shape：布尔值，用于验证值的形状
例子：

import tensorflow as tf
a=tf.constant(2,name='a')
b=tf.constant(3,name='b')
with tf.Session()as sess:
##输出2，tensor命名为a
    print(sess.run(a))
##输出为3
    print(sess.run(b))

变量：
tf.Variable()函数中参数如下所示：

tf.Variable(initial_value=None, trainable=True, collections=None, 
validate_shape=True, caching_device=None, name=None,variable_def=None, 
dtype=None, expected_shape=None, import_scope=None, constraint=None)

上述代码中只有一些参数比较常见：
1.initial_value：变量初始值
2. trainable：如果设置为True，则变量可被优化器类自动修改，相反则只能手工修改，默认值为True
3. validate_shape：如果是False，允许变量被一个形状未知的值初始化，默认是True，表示必须知道形状
4. name：变量名字
5. dtype：初始化类型；
注：在计算前需要初始化所有变量Variable，不然系统会报错。（变量在卷积神经网络中广泛使用，设置权重和偏置）

sess.run(tf.global_variable_inittialier())

例子如下：

import tensorflow as tf
a=tf.Variable(2,name='a')
b=tf.Variable(3,name='b')
c=tf.add(a,b)
with tf.Session()as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(c))

5.占位符（placeholder）

占位符的作用可以理解为先占个位置，不知道具体值，只知道类型和形状等信息，先把这些信息填进去占个位置，后续使用feed来填数据。
使用sess.run（）中feed_dict把数据喂给变量。

tf.placeholder(dtype, shape=None, name=None)

1.dtype：将要被feed的元素类
2.shape：将要被feed的tensor的形状，若不指定，可以进任何形状tensor

import tensorflow as tf
import numpy as np
x=tf.placeholder(tf.float32,[3,2])
y=tf.reshape(x,[2,3])
z=tf.matmul(x,y)
with tf.Session()as sess:
    a=np.random.rand(3,2)
##将a的值喂给x
    print(sess.run(z,feed_dict={x:a}))

综上为tensorflow的基础知识，为卷积神经网络做铺垫。主要使用变量，占位符以及session会话。