简单粗暴，前戏不重要 ，直接高潮
1、tensorflow安装
由于本文是windows系统，所以本文将仅介绍windows下的怎么安装，其他系统下的可以参考别的博客，网上一大堆，略略略。。。。在这里建议大家下载一个anaconda3（python3环境），很强大，包括了大量的科学包，自然也包括了pip库，这里默认你已经下载了anaconda了，下面介绍如何安装tensorflow，打开anaconda3环境，长这个样子
看到我上面的指令了吗？别犹豫，敲上去就是了,然后回车系统就会自动下载，我电脑上已经下载好了，这里就不展示了。下载好了以后进入python环境验证一下是否能用，如图所示
如果没有报错那么就说明安装好了。其实从第一步import tensorflow as tf回车就能看出来tensorflow是否可以用。如果不能用的话，那就自己网上搜搜把，教程也一大堆，因为本篇内容过多，后续有时间的话我会在加上，或者有不懂得可以留言，我帮你解决。下面就介绍以下tensorflow的部分内容。
2、基本概念
2.1、计算图概念
Tensorflow是一种计算图模型，即用图的形式来表示运算过程的一种模型。Tensorflow程序一般分为图的构建和图的执行两个阶段。图的构建阶段也称为图的定义阶段，该过程会在图模型中定义所需的运算，每次运算的的结果以及原始的输入数据都可称为一个节点（operation ，缩写为op）。我们通过以下程序来说明图的构建过程：
程序1：
程序1定义了图的构建过程，“import tensorflow as tf”，是在python中导入tensorflow模块,并另起名为“tf”；接着定义了两个常量op，m1和m2，均为1*2的矩阵；最后将m1和m2的值作为输入创建一个矩阵加法op，并输出最后的结果result。
我们分析最终的输出结果可知，其并没有输出矩阵相加的结果，而是输出了一个包含三个属性的Tensor（张量）以上过程便是图模型的构建阶段：只在图中定义所需要的运算，而没有去执行运算。我们可以用图1来表示：
图1 图的构建阶段
第二个阶段为图的执行阶段，也就是在会话（session）中执行图模型中定义好的运算。
我们通过程序2来解释图的执行阶段：
程序2：
程序2描述了图的执行过程，首先通过“tf.session()”启动默认图模型，再调用run()方法启动、运行图模型，传入上述参数result，执行矩阵的加法，并打印出相加的结果，最后要加入命令sess.close()，目的是防止信息遗失。
除了上述的session写法外，我们更建议大家，把session写成如程序2-4所示“with”代码块的形式，这样就无需显示的调用close释放资源，而是自动地关闭会话。
程序3：
with tf.Session() as sess:
res = sess.run(result)
print(res)
此外，我们还可以利用CPU或GPU等计算资源分布式执行图的运算过程。一般我们无需显示的指定计算资源，Tensorflow可以自动地进行识别，如果检测到我们的GPU环境，会优先的利用GPU环境执行我们的程序。但如果我们的计算机中有多于一个可用的GPU，这就需要我们手动的指派GPU去执行特定的op。如下程序4所示，Tensorflow中使用with…device语句来指定GPU或CPU资源执行操作。
程序4：
witf tf.Session() as sess:
with tf.devices('/gpu:2'):
m1 = tf.constant([1,2])
m2 = tf.constant([3,4])
result = tf.add(m1,m2)
res = sess.run(result)
print(res)
上述程序中的“tf.device(“/gpu:2”)”是指定了第二个GPU资源来运行下面的op。依次类推，我们还可以通过“/gpu:3”、“/gpu:4”、“/gpu:5”…来指定第N个GPU执行操作。
Tensorflow中还提供了默认会话的机制，如程序2-5所示，我们通过调用函数as_default()生成默认会话。
程序5：
import tensorflow as tf
m1 = tf.constant([1,2])
m2 = tf.constant([3,4])
result = tf.add(m1,m2)
sess = tf.Session()
with sess.as_default():
print(result.eval())
>>[4,6]
我们可以看到程序5和程序2有相同的输出结果。我们在启动默认会话后，可以通过调用eval()函数，直接输出变量的内容。
综上所述，我们介绍了Tensorflow的核心概念——计算图模型，以及定义图模型和运行图模型的几种方式。接下来，我们思考一个问题，为什么Tensorflow要使用图模型？图模型有什么优势呢？
首先，图模型的最大好处是节约系统开销，提高资源的利用率，可以更加高效的进行运算。因为我们在图的执行阶段，只需要运行我们需要的op,这样就大大的提高了资源的利用率；其次，这种结构有利于我们提取中间某些节点的结果，方便以后利用中间的节点去进行其它运算；还有就是这种结构对分布式运算更加友好，运算的过程可以分配给多个CPU或是GPU同时进行，提高运算效率；最后，因为图模型把运算分解成了很多个子环节，所以这种结构也让我们的求导变得更加方便。
2.2 Tensor介绍
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。那么在Tensorflow中该如何理解Tensor的概念呢？
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。
在计算图模型中，操作间所传递的数据都可以看做是Tensor。那Tensor的结构到底是怎样的呢？我们可以通过程序7更深入的了解一下Tensor。
程序7：
import tensorflow as tf
a = tf.constant([[2.0,3.0]],name='a')
b = tf.constant([[1.0],[4.0]],name='b')
result = tf.matmul(a,b,name='mul')
print(result)
>>Tensor("mul:0", shape=(1, 1), dtype=float32)
程序7的输出结果表明：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“mul: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(1,1)说明该张量result是一个二维数组，且每个维度数组的长度是1。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，常见的张量类型如图2所示。
图2 常用的张量类型
我们需要注意的是要保证参与运算的张量类型相一致，否则会出现类型不匹配的错误。如程序8所示，当参与运算的张量类型不同时，Tensorflow会报类型不匹配的错误：
程序8：
正如程序的报错所示：m1是int32的数据类型，而m2是float32的数据类型，两者的数据类型不匹配，所以发生了错误。所以我们在实际编程时，一定注意参与运算的张量数据类型要相同。
2.3 常量、变量及占位符
Tensorflow中对常量的初始化，不管是对数值、向量还是对矩阵的初始化，都是通过调用constant()函数实现的。因为constant()函数在Tensorflow中的使用非常频繁，经常被用于构建图模型中常量的定义，所以接下来，我们通过程序9了解一下constant()的相关属性：
程序9：
import tensorflow as tf
a = tf.constant([2.0,3.0],name='a',shape=(2,0),dtype='float64',verify_shape='true')
print(a)
>>Tensor("a_1:0", shape=(2, 0), dtype=float64)
如程序9所示，函数constant有五个参数，分别为value，name，dtype，shape和verify_shape。其中value为必选参数，其它均为可选参数。Value为常量的具体值，可以是一个数字，一维向量或是多维矩阵。Name是常量的名字，用于区别其它常量。Dtype是常量的类型，具体类型可参见图2。Shape是指常量的维度，我们可以自行定义常量的维度。verify_shape是验证shape是否正确，默认值为关闭状态(False)。也就是说当该参数true状态时，就会检测我们所写的参数shape是否与value的真实shape一致，若不一致就会报TypeError错误。如：上例中的实际shape为(2,0)，若我们将参数中的shape属性改为(2,1)，程序就会报如下错误：
TypeError: Expected Tensor’s shape: (2, 1), got (2,)
Tensorflow还提供了一些常见常量的初始化，如：tf.zeros、tf.ones、tf.fill、tf.linspace、tf.range等，均可以快速初始化一些常量。例如：我们想要快速初始化N维全0的矩阵，我们可以利用tf.zeros进行初始化，如程序10所示：
程序10：
import tensorflow as tf
a = tf.zeros([2,2],tf.float32)
b = tf.zeros_like(a,optimize=True)
with tf.Session() as sess:
print(sess.run(a))
print(sess.run(b))
>>[[0. 0.]
[0. 0.]]
[[0. 0.]
[0. 0.]]
程序10向我们展示了tf.zeros和tf.zeros_like的用法。其它常见常量的具体初始化用法可以参考Tensorflow官方手册：https://www.tensorflow.org/api_guides/python/constant_op。
此外，Tensorflow还可以生成一些随机的张量，方便快速初始化一些随机值。如：tf.random_normal()、tf.truncated_normal()、tf.random_uniform()、tf.random_shuffle()等。如程序11所示，我们以tf.random_normal()为例，来看一下随机张量的具体用法：
程序11：
import tensorflow as tf
random_num = tf.random_normal([2,3],mean=1,stddev=4,dtype=tf.float32,seed=None,name='rnum')
with tf.Session() as sess:
print(sess.run(random_num))
结果：
[[-5.9855156 2.749301 1.2137705 ]
[-0.66182804 1.0012643 8.569359 ]]
随机张量random_normal()有shape、mean、stddev、dtype、seed、name六个属性。 shape是指张量的形状，如上述程序是生成一个2行3列的tensor；mean是指正态分布的均值；stddev是指正太分布的标准差；dtype是指生成tensor的数据类型；seed是分发创建的一个随机种子；而name是给生成的随机张量命名。
Tensorflow中的其它随机张量的具体使用方法和属性介绍，可以参见Tensorflow官方手册：https://www.tensorflow.org/api_guides/python/constant_op。这里将不在一一赘述。
除了常量constant()，变量variable()也是在Tensorflow中经常会被用到的函数。变量的作用是保存和更新参数。执行图模型时，一定要对变量进行初始化，经过初始化后的变量才能拿来使用。变量的使用包括创建、初始化、保存、加载等操作。首先，我们通过程序12了解一下变量是如何被创建的：
程序12：
import tensorflow as tf
A = tf.Variable(3,name='number')
B = tf.Variable([1,3],name='vector')
C = tf.Variable([[0,1],[2,3]],name='matrix')
D = tf.Variable(tf.zeros([100]),name='zero')
E = tf.Variable(tf.random_normal([2,3],mean=1,stddev=2,dtype=tf.float32))
程序12展示了创建变量的多种方式。我们可以把函数variable()理解为构造函数，构造函数的使用需要初始值，而这个初始值是一个任何形状、类型的Tensor。也就是说，我们既可以通过创建数字变量、一维向量、二维矩阵初始化Tensor，也可以使用常量或是随机常量初始化Tensor，来完成变量的创建。当我们完成了变量的创建，接下来，我们要对变量进行初始化。变量在使用前一定要进行初始化，且变量的初始化必须在模型的其它操作运行之前完成。通常，变量的初始化有三种方式，如程序13所示：
程序13：
#初始化全部变量
init = tf.global_variables_initializer()
with tf.Session() as sess:
sess,run(init)
#初始化变量的子集
init_subset = tf.Variable_initializer([b,c],name='init_subset')
with tf.Session() as sess:
sess.run(init_subset)
#初始化单个变量：
init_var = tf.Variable(tf.zeros([2,5]))
with tf.Session() as sess:
sess.run(init_var.initializer)
程序13说明了初始化变量的三种方式：初始化全部变量、初始化变量的子集以及初始化单个变量。首先，global_variables_initializer()方法是不管全局有多少个变量，全部进行初始化，是最简单也是最常用的一种方式；variables_initializer()是初始化变量的子集，相比于全部初始化化的方式更加节约内存；Variable()是初始化单个变量，函数的参数便是要初始化的变量内容。通过上述的三种方式，我们便可以实现变量的初始化，放心的使用变量了。
我们经常在训练模型后，希望保存训练的结果，以便下次再使用或是方便日后查看，这时就用到了Tensorflow变量的保存。变量的保存是通过tf.train.Saver()方法创建一个Saver管理器，来保存计算图模型中的所有变量。具体代码如程序14所示：
程序14：
import tensorflow as tf
var1 = tf.Variable([1,3],name='v1')
var2 = tf.Variable([2,4],name='v2')
#对全部变量初始化
init = tf.initialize_all_variables()
#调用Saver()存储器方法
saver = tf.train.Saver()
#执行图模型
with tf.Session() as sess:
sess.run(init)
#设置存储路径
save_path = saver.save(sess,'save.ckpt')
我们要注意，我们的存储文件save.ckpt是一个二进制文件，Saver存储器提供了向该二进制文件保存变量和恢复变量的方法。保存变量的方法就是程序中的save()方法，保存的内容是从变量名到tensor值的映射关系。完成该存储操作后，会在对应目录下生成如图3所示的文件
图3 保存变量生成的相应文件
Saver提供了一个内置的计数器自动为checkpoint文件编号。这就支持训练模型在任意步骤多次保存。此外，还可以通过global_step参数自行对保存文件进行编号，例如：global_step=2，则保存变量的文件夹为model.ckpt-2。
那如何才能恢复变量呢？首先，我们要知道一定要用和保存变量相同的Saver对象来恢复变量。其次，不需要事先对变量进行初始化。具体代码如程序15所示：
程序15：
var1 = tf.Variable([0,0],name='v1')
var2 = tf.Variable([0,0],name='v2')
saver = tf.train.Saver()
module_file = tf.train.latest_checkpoint('test/')
with tf.Session() as sess:
saver.restore(sess,module_file)
print('Model restored.')
本程序示例中，我们要注意：变量的获取是通过restore()方法，该方法有两个参数，分别是session和获取变量文件的位置。我们还可以通过latest_checkpoint()方法，获取到该目录下最近一次保存的模型。
以上就是对变量创建、初始化、保存、加载等操作的介绍。此外，还有一些与变量相关的重要函数，如：eval()等。
认识了常量和变量，Tensorflow中还有一个非常重要的常用函数——placeholder。placeholder是一个数据初始化的容器，它与变量最大的不同在于placeholder定义的是一个模板，这样我们就可以session运行阶段，利用feed_dict的字典结构给placeholder填充具体的内容，而无需每次都提前定义好变量的值，大大提高了代码的利用率。Placeholder的具体用法如程序16所示：
程序16：
import tensorflow as tf
a = tf.placeholder(tf.float32,shape=[2],name=None)
b = tf.constant([6,4],tf.float32)
c = tf.add(a,b)
with tf.Session() as sess:
print(sess.run(c,feed_dict={a:[10,10]}))
结果：
[16. 14.]
程序16演示了placeholder占位符的使用过程。Placeholder()方法有dtype，shape和name三个参数构成。dtype是必填参数，代表传入value的数据类型；shape是选填参数，代表传入value的维度；name也是选填参数，代表传入value的名字。我们可以把这三个参数看作为形参，在使用时传入具体的常量值。这也是placeholder不同于常量的地方，它不可以直接拿来使用，而是需要用户传递常数值。
最后，Tensorflow中还有一个重要的概念——fetch。Fetch的含义是指可以在一个会话中同时运行多个op。这就方便我们在实际的建模过程中，输出一些中间的op，取回多个tensor。Fetch的具体用法如程序17所示：
程序17：
import tensorflow as tf
a = tf.constant(5)
b = tf.constant(6)
c = tf.constant(4)
add = tf.add(b,c)
mul = tf.multiply(a,add)
with tf.Session() as sess:
result = sess.run([mul,add])
print(result)
结果：
[50, 10]
程序17展示了fetch的用法，即我们利用session的run()方法同时取回多个tensor值，方便我们查看运行过程中每一步op的输出结果。
本部分主要讲了Tensorflow的核心——计算图模型，如何定义图模型和计算图模型；还介绍了Tensor的概念，以及Tensorflow中的常量、变量、占位符、feed等知识点。大家都掌握了吗？
扫一扫
974
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
