tensorflow

核心概念

Tensorflow中的计算可以表示为一个有向图或者称为计算图。其中每一个运算操作将作为一个节点，计算图描述了数据的计算流程，也负责维护和更新状态（更新w参数）用户通过编程语言设计这个数据计算的有向图，计算图的每一个节点可以有任意多个输入和任意多个输出，每一个节点描述了一种运算操作，节点可以算是运算操作的实例化，计算图中的边里面流动的数据称为张量，

代码流程

Import tensorflow as tf

b = tf.Variable(tf.zeros([100]))  取100个0

W = tf.Variable(tf.random_uniform([784, 100], -1, 1))   取-1到1之间均匀分布的随机数784x100

x = tf.placeholder(name=“x”) ：placeholder占位符，等新的数据填进去

Relu = tf.nn.relu(tf.matmul(W, x) + b ) W和x做点乘，再加上b，然后在做relu

Cost = […]

Sess = tf.Session()

for step in range(0, 10):
    input = ..construct 100-D input array…
    result = sess.run(cost, feed_dict={x:input})
    print(step, result)

示例

import tensorflow as tf

# tf.Variable生成的变量，每次迭代都会变化，
# 这个变量也就是我们要去计算的结果，所以说你要计算什么，你是不是就把什么定义为Variable

'''
TensorFlow程序可以通过tf.device函数来制定运行每一个操作的设备

这个设备可以是本地的CPU或GPU，也可以是某一台远程的服务器
TensorFlow会给每一个可用的设备一个名称，tf.device函数可以通过设备的名称，来指定运算的设备，比如CPU在TensorFlow中的名称为/cpu:0

在默认情况下，即使机器有多个CPU，TensorFlow也不会区分它们，所有的CPU都是用/cpu:0作为名称

-而一台机器上不同GPU的名称是不同的，第n个GPU在TensorFlow中的名称为/gpu:n
-比如第一个GPU的名称为/gpu:0,第二个GPU名称为/gpu:1，以此类推
-TensorFlow提供了一个快捷的方式，来查看运行每一个运算的设备
-在生成会话时，可以通过设置log_device_placement参数来打印运行每一个运算的设备

-除了可以看到最后的计算结果之外，还可以看到类似“add: /job:localhost/replica:0/task:0/cpu:0“这样的输出
-这些输出显示了执行每一个运算的设备。比如加法操作add是通过CPU来运行的，因为它的设备名称中包含了/cpu:0
-在配置好GPU环境的TensorFlow中，如果操作没有明确的指定运行设备，那么TensorFlow会优先选择GPU
'''

with tf.device('/cpu:0'):
    x = tf.Variable(3, name='x')
y = tf.Variable(4, name='y')
f = x*x*y + y + 2

#创建一个计算图的一个上下文环境
#配置里面是把具体运行过程在哪里执行给打印出来
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
#碰到session.run()就会立刻去调用计算
sess.run(x.initializer)
sess.run(y.initializer)
result = sess.run(f)
print(result)
print(result)
sess.close()

#TensorFlow程序会典型的分为两部分，第一部分是创建计算图，叫做构建阶段
#这一阶段通常建立表示机器学习模型的计算图，和需要去训练模型的计算图
#第二部分是执行阶段，执行阶段通常运行Loop循环重复训练步骤，每一步训练小批量数据，
#逐渐的改进模型参数