tensorflow-01张量，图，会话，placeholder

sklearn：在分类，回归领域不错。图像领域效果差

tensorflow ：图像，nlp领域。
特别是卷积神经网络：图像识别
循环神经网络：自然语言处理nlp。

谷歌brain2015推出tensorflow（带graph的可视化，非常方便）
优点：

1、可移植性
支持包括CPU/GPU/TPU，以及能够很好地运行在移动端，
如安卓设备、ios、树莓派等等

2、多语言支持
python/c++程序。

3、高度的灵活性与效率
TensorFlow：张量在图中流动（data flow graphs），用于数值计算的开源软件库
能够灵活进行组装图，执行图。随着开发的进展，Tensorflow的效率不算在提高

4、支持
TensorFlow 由谷歌提供支持，谷歌投入了大量精力开发 TensorFlow，它希望
TensorFlow 成为机器学习研究人员和开发人员的通用语言

推荐Tensorflow 1.0 稳定版（有gpu /cpu版本）
Ubuntu虚拟机不能使用gpu版本
一行代码就 开启gpu非常简单

Tensorflow :计算密集型 （大量矩阵运算）
Django ,Scrapy :io密集型 ，频繁请求

cpu：综合能力还可以，计算能力不突出。
Gpu ：对图像计算能力非常厉害。


tensorflow = 图graph（定义程序结构，定义流程图）+ 会话session（真正计算）


图graph = 数据单元（tensor张量） + 计算单位（op，operation）
张量： constant，Variable 等等

Tensorflow 程序 一般有：
前端系统：定义图，定义各种变量，张量等
后端系统: 根据图进行运算。

tensorflow语法比较特殊，第一简单的例子，实现加法运算

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' 
# 默认图定义
a = tf.constant(1.0)
b = tf.constant(2.1)
c = tf.add(a,b)
print(a)	# 常量
print(b)	# 常量
print(c)	# 加法op
with tf.Session() as ses:
    ses.run(c)

图：定义好整个程序

Session 会话： 启动整个程序。

图

一组表示 tf.Operation计算单位的对象
和tf.Tensor表示操作之间流动的数据单元的对象
含有默认图

tf.get_default_graph() # 获取默认图

op.graph
sess.graph
tensor.graph 查看所属于的图

g1 = tf.Graph()    	# 创建g1图
with g1.as_default(): 
        a = tf.constant(1.0) 			# 图中定义
        assert c.graph is g`

import tensorflow as tf
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"] = "2"
# 默认图定义
a = tf.constant(1.0)
b = tf.constant(2.1)
c = tf.add(a,b)
defalut_graph = tf.get_default_graph()
print('defult_graph',defalut_graph)
print('c',c.graph)

g1 = tf.Graph()
with g1.as_default():
    e = tf.ones((2,2))
g2 = tf.Graph()
with g2.as_default():
    f = tf.zeros((3,3))
print('g1',g1)
print(e.graph)
print('g2',g2)
print(f.graph)
with tf.Session(graph=g2) as ses:    # 指定g2图，只能运行g2里面的tensor和op
    print(ses.run(f))

defult_graph <tensorflow.python.framework.ops.Graph object at 0x0000017AB1E679B0>
c <tensorflow.python.framework.ops.Graph object at 0x0000017AB1E679B0>
g1 <tensorflow.python.framework.ops.Graph object at 0x0000017AC780F6D8>
<tensorflow.python.framework.ops.Graph object at 0x0000017AC780F6D8>
g2 <tensorflow.python.framework.ops.Graph object at 0x0000017AC056E2B0>
<tensorflow.python.framework.ops.Graph object at 0x0000017AC056E2B0>
[[0. 0. 0.]
 [0. 0. 0.]
 [0. 0. 0.]]

op：计算单元

1运算op： 标量和矢量运算,如矩阵乘法 matmul
2Constant :常量 ，0维数据，如32
3Variable :变量，在执行过程里随时间发生变化，如线性回归的权重w
以上 都属于tensor张量。
只要是tensorflow API定义的都是tensor。包括constant，variable,Session等

会话：

1 运行图，执行计算

2 分配计算机资源。比如给张量分配内存空间

3 管理资源 （变量的生命周期结束后就回收，队列，线程等资源，都是由session会话掌握）会话一旦结束，所有线程都结束。

tf.Session() 运行图的类，使用默认图
with tf.Session(graph = ) as ses: 指定运行图

会话资源
会话可能拥有很多资源，如 tf.Variable，tf.QueueBase
和tf.ReaderBase，会话结束后需要进行资源释放

使用上下文管理器

with tf.Session(graph = g1) as sess: 
		sess.run(...)

configproto 和eval的使用

configproto：打印tensor 占用cpu情况

a.eval() 和 ses.run(a)等价

import tensorflow as tf
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"] = "2"
# 默认图定义
a = tf.constant(1.0,name='a')
b = tf.constant(2.1,name='b')
c = tf.add(a,b,name='c')
with tf.Session(config= tf.ConfigProto(log_device_placement=True)) as ses:
    print(ses.run(c))
    print(b.eval())

Device mapping: no known devices.
c: (Add): /job:localhost/replica:0/task:0/device:CPU:0
a: (Const): /job:localhost/replica:0/task:0/device:CPU:0
b: (Const): /job:localhost/replica:0/task:0/device:CPU:0
3.1
2.1

交互式：tf.InteractiveSession()

图里创建的张量, 和图绑定。Session会话运行一张图，就不能运行其他图里面的资源。

tf.placeholder（dtypes =数据类型 , shape =形状 ）

placeholder 占位符，feed_dict 填充占位符

import tensorflow as tf
import os
import numpy as np
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

data = [[1,2],[3,4]]
data = np.array(data)
holer = tf.placeholder(tf.int8,[None,None])

with tf.Session() as ses:
    print(ses.run(holer,feed_dict={holer:data}))