tensorflow 学习笔记（1）

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

在这里记录一些tensorflow学习的笔记，视频学习地址：
https://www.bilibili.com/video/BV194411T7BB?p=22

一、tensorflow处理结构

tensorflow是一种声明式编程，

张量-相当于数据，表示高维数据的抽象。存储节点是变量。placeholder 描述输入数据

二、具体描述

1.张量

张量的阶描述它表示数据的最大维度。
tf中张量表示相同数据类型的多维数组。它是执行操作时候的输入或输出数据。用户通过执行操作来创建或计算张量。··
有两个属性：数据类型和数组形状（各个维度的大小）

几类比较特别的张量（示例）：

2 变量

tf.constant //常量，产生的量不能改变
tf.placeholder  //占位符，只是一个壳壳
tf.Variable //变量，使值能保存下来,不会被释放
tf.rank //获得张量的阶数

变量Variable主要作用是维护特定节点的状态，方法是操作，返回值是变量，它是常驻内存

开始计算的时候在会话

session（）

里计算，还需要进行初始化，其使用流程如下：

更新可以通过创建，初始化获得，也可以通过checkpoint来恢复上一次的值进行更新
saver的使用

注意：4 5 行代表的意思是一样的。同时在保存变量的方法里面， global_step可以看自己训练的在第几层
保存的变量有index，meta什么的，若要恢复变量用到：

saver.restore(sess,'')
#查看变量：
sess.run(变量名)

3.操作

TF典型的计算和操作归纳

要注意常量可以直接输入，不需要赋值，比如：

#常量操作
a = tf.constant(2)
b = tf.constant(3)
#创建会话，执行计算操作
with tf.Session() as sess:
    print('a : %i'%sess.run(a))
    print('b : %i'%sess.run(b))
    print('addition with constant:%i'%sess.run(a+b))
    print('multiplication with constant:%i'%sess.run(a*b))
    #常量不需要填充数据，他得值在会话开始的时候已经有了

但是如果用了占位符，不填充数据就会报错，比如：

#占位符操作
x = tf.placeholder(tf.int16 , shape=(),name='x')
y = tf.placeholder(tf.int16 , shape=(),name='y')
#计算操作
add = tf.add(x,y)
mul = tf.multiply(x,y)
#加载默认数据流图
with tf.Session() as sess:
    #不填充数据，直接执行会报错
    print('addition with constant:%i'%sess.run(add))
    print('multiplication with constant:%i'%sess.run(mul))

此时报错为：
InvalidArgumentError: You must feed a value for placeholder tensor ‘x’ with dtype int16
应该修改为：给x y赋值才行

#加载默认数据流图
with tf.Session() as sess:
    #不填充数据，直接执行会报错
    print('addition with constant:%i'%sess.run(add,feed_dict={x : 2, y : 3}))
    print('multiplication with constant:%i'%sess.run(mul,feed_dict={x : 2, y : 3}))

4 会话

会话提供了估算张量和执行操作的运行环境，它是发放计算任务的客户端，所有计算任务都由它链接的执行引擎完成，一个会话的典型使用流程为：
参考文档

其中参数的名称和含义为：
target -会话连接的执行引擎，没有赋值时连接本地机器
graph-会话加载的数据流图，默认加载当前定义的数据流图
config：会话启动时的配置项，可以配置数据流图执行当中是否打印日志，是否追踪 信息等等
例子：

获取张量的另外两种方法：估算张量（Tensor.eval）和执行操作（Operation.run），例子：

import tensorflow as tf
x = tf.placeholder(tf.float32)
w = tf.Variable(1.0)
b = tf.Variable(1.0)
y = w*x +b
with tf.Session() as sess:
    tf.global_variables_initializer().run() #Operation.run
    fetch = y.eval(feed_dict={x:3.0})#tensor.eval 估算张量
    print(fetch)

tf会话本地执行，创造节点时候指定设备就行：

5优化器（optimizer）

损失函数，要注意阈值的设置，不要太过追求低损失

正则化项和惩罚项就是防止模型过拟合：

优化算法之梯度下降法：

6 tensorflow训练机制