Tensorflow系列——基本用法

为了使用TensorFlow，我们需要明白什么是Tensorflow。下面介绍Tensorflow的5个特征：

• 用图来表示计算过程
• 用Sessions（会话）来执行图
• 使用tensors来表示数据
• 使用Variables来维护状态
• 使用feeds和fetches操作对任意的操作取出或者存入数据

1. 综述

Tensorflow是一个编程系统，你需要把计算用图来表示。图中的节点被称作ops（操作，operation的缩写）。一个操作的输入时0个或多个的Tensors，用来进行一些计算，然后产生0个或多个的Tensors输出。我们可以把Tensor当做是一个多维矩阵。例如，我们可以把一个堆（batch）的图片表示成一个4-D的矩阵，[batch, height, width, channels]。
一个Tensorflow图描绘一个计算过程。为了完成计算，在一个会话（Session）中启动图（graph）。会话将图中的操作分配给设备，例如CPUs，GPUs，然后提供一些方法去执行他们。这些方法执行后，将产生的 tensor 返回。在 Python 语言中，返回的 tensor 是 numpy ndarray 对象；在 C 和 C++ 语言中, 返回的 tensor 是tensorflow::Tensor 实例.

2. 计算图

一个Tensorflow程序通常分为两个阶段——构建阶段，执行阶段。构建阶段是搭建一幅图，执行阶段是使用一个会话来完成图中的操作。
例如，我们在构建阶段构造一个图来描述神经网络的结构和训练过程，然后在执行阶段在图上重复的执行训练操作。
Tensorflow支持C，C++和Python语言。目前，TensorFlow 的 Python 库更加易用，它提供了大量的辅助函数来简化构建图的工作，这些函数尚未被 C 和 C++ 库支持。

2.1 构建图

刚开始我们构造一个不含输入操作（源节点），例如Constant，然后把这个操作的输出作为其它操作的输入。
TensorFlow Python 库有一个默认图 (default graph)，op 构造器可以为其增加节点。这个默认图对 许多程序来说已经足够用了。阅读 Graph 类 文档 来了解如何管理多个图。

import tensorflow as tf  

# 创建一个常量 op, 产生一个 1x2 矩阵. 这个 op 被作为一个节点  
# 加到默认图中.  
# 构造器的返回值代表该常量 op 的返回值.  
matrix1 = tf.constant([[3., 3.]])  

# 创建另外一个常量 op, 产生一个 2x1 矩阵.  
matrix2 = tf.constant([[2.],[2.]])  

# 创建一个矩阵乘法 matmul op , 把 'matrix1' 和 'matrix2' 作为输入.  
# 返回值 'product' 代表矩阵乘法的结果.  
product = tf.matmul(matrix1, matrix2)

2.2 在一个会话中启动图

构建完图之后，需要创建一个session对象来启动图。

# 启动默认图.
sess = tf.Session()

# 调用 sess 的 'run()' 方法来执行矩阵乘法 op, 传入 'product' 作为该方法的参数. 
# 上面提到, 'product' 代表了矩阵乘法 op 的输出, 传入它是向方法表明, 我们希望取回
# 矩阵乘法 op 的输出.
# 整个执行过程是自动化的, 会话负责传递 op 所需的全部输入. op 通常是并发执行的.
# 函数调用 'run(product)' 触发了图中三个 op (两个常量 op 和一个矩阵乘法 op) 的执行.
# 返回值 'result' 是一个 numpy `ndarray` 对象.
result = sess.run(product)
print result
# ==> [[ 12.]]

# 任务完成, 关闭会话.
sess.close()

除了显示的close掉外，还可以用with语句自动的close，用法和python打开文件类似：

with tf.Session() as sess:
  result = sess.run([product])
  print result

2.3 交互式使用

使用2.2中的方法，每次运行一个节点都需要session.run(节点名)，十分不方便。有时候需要交互式的看结果。tensorflow提供了InteractiveSession类来代替session类。

# 进入一个交互式 TensorFlow 会话.
import tensorflow as tf
sess = tf.InteractiveSession()

x = tf.Variable([1.0, 2.0])
a = tf.constant([3.0, 3.0])

# 使用初始化器 initializer op 的 run() 方法初始化 'x' 
x.initializer.run()

# 增加一个减法 sub op, 从 'x' 减去 'a'. 运行减法 op, 输出结果 
sub = tf.sub(x, a)
print sub.eval()
# ==> [-2. -1.]

因为图中的输入不再全是常量，x是一个变量，所以启动图前需要对图中变量进行初始化。

2.4 tensorflow中数据的表示

tensorflow中用tensor来表示数据，无论这个数据是常量还是变量，一维数组或者是二维数组。一个tensor包含一个静态类型rank和一个shape。

2.5 变量

变量是tensorflow中最常用的一种数据类型。下面的例子演示了如何使用变量实现一个简单的计数器。

# 创建一个变量, 初始化为标量 0.
state = tf.Variable(0, name="counter")

# 创建一个 op, 其作用是使 state 增加 1

one = tf.constant(1)
new_value = tf.add(state, one)
update = tf.assign(state, new_value)

# 启动图后, 变量必须先经过`初始化` (init) op 初始化,
# 首先必须增加一个`初始化` op 到图中.
init_op = tf.initialize_all_variables()

# 启动图, 运行 op
with tf.Session() as sess:
  # 运行 'init' op
  sess.run(init_op)
  # 打印 'state' 的初始值
  print sess.run(state)
  # 运行 op, 更新 'state', 并打印 'state'
  for _ in range(3):
    sess.run(update)
    print sess.run(state)

# 输出:

# 0
# 1
# 2
# 3

在sess.run()之前任何一个节点都不会被运行，tf.add、tf.assign、tf.initialize_all_variables这些语句只是告诉计算机这些节点是怎么运算的，并没有真正的去运算。真正的运算是在他们被run的时候。

2.6 Fetch

我们还可以在一个run中，同时执行多个操作。

import tensorflow as tf
input1 = tf.constant(3.0)
input2 = tf.constant(2.0)
input3 = tf.constant(5.0)
intermed = tf.add(input2, input3)
mul = tf.mul(input1, intermed)

with tf.Session() as sess:
  result1, result2 = sess.run([mul, intermed])
  print result1
  print result2

2.7 Feed

有的时候在构建图的时候，还不太确定输入是什么。或者为了灵活性，输入可以是多种变量。在定义输入的时候，可以使用placeholder对象先占个坑，之后的运算节点的定义和以前一样。不同之处在于，run的时候需要指定输入。

input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.mul(input1, input2)

with tf.Session() as sess:
  print sess.run([output], feed_dict={input1:[7.], input2:[2.]})

# 输出:
# [array([ 14.], dtype=float32)]

tensorflow的基本用法就是这些，之后将针对一些具体的应用更加深入的介绍tensorflow的用法。