Tensorflow（一）Hello TensorFlow

重要概念：

一、基础概念

张量：使用张量（tensor）表示数据，用“阶”表示张量的维度。关于这一点需要展开一下

             0阶张量称为标量，表示单独的一个数

            1阶张量称为向量， 表示一个一维数组

            2阶张量称为矩阵，表示一个二维数组

            ……

数据流：数据流（data stream）是一组有序，有起点和终点的字节的数据序列。包括输入流和输出流。

二、TF基本概念

节点：nodes，

边：edges，分为正常边和特殊边。正常边数据可以自由流动，特殊边可以控制节点的互相依赖，使数据处理遵循一定的顺序。为多线程运行数据的执行，提高计算设备的效率。

会话：Session，是TF的主要交互方式。

TF处理数据的流程：

1.建立会话

2.生成一张空的图

3.添加各个节点和边

4.形成一个有连接点的图

.5.启动图对模型进行训练

 

变量的定义：

%静态
hello = tf.constant('Hello TensorFlow!' , dtype = tf.string)
a = tf.constant(1)
%动态
input = tf.variable(2,tf.int32)

    体验session：

import tensorflow as tf
input1 = tf.constant(1)
print(input1)

input2 = tf.Variable(2,tf.int32)
print(input2)

input2 = input1
sess = tf.Session()
print(input2)
print(sess.run(input2)) 

             

可以看到在未运行session时 变量全部是张量 当运行完毕输出的才是一个整型数字

矩阵运算：

tf.diag(diagonal,name=None) #生成对角矩阵

1 2 3 4

import tensorflowas tf; diagonal=[1,1,1,1] with tf.Session() as sess:   print(sess.run(tf.diag(diagonal)))

1 2 3 4

#输出的结果为[[1 0 0 0]    [0 1 0 0]    [0 0 1 0]    [0 0 0 1]]

tf.diag_part(input,name=None) #功能与tf.diag函数相反,返回对角阵的对角元素

1 2 3 4

import tensorflow as tf; diagonal =tf.constant([[1,0,0,0],[0,1,0,0],[0,0,1,0],[0,0,0,1]]) with tf.Session() as sess:  print(sess.run(tf.diag_part(diagonal)))

1	#输出结果为[1,1,1,1]

tf.trace(x,name=None) #求一个2维Tensor足迹，即为对角值diagonal之和

1 2 3 4

import tensorflow as tf; diagonal =tf.constant([[1,0,0,3],[0,1,2,0],[0,1,1,0],[1,0,0,1]]) with tf.Session() as sess:  print(sess.run(tf.trace(diagonal)))#输出结果为4

tf.transpose(a,perm=None,name='transpose') #调换tensor的维度顺序，按照列表perm的维度排列调换tensor的顺序

1 2 3 4 5 6 7

import tensorflow as tf; diagonal =tf.constant([[1,0,0,3],[0,1,2,0],[0,1,1,0],[1,0,0,1]]) with tf.Session() as sess:  print(sess.run(tf.transpose(diagonal))) #输出结果为[[1 0 0 1]                              [0 1 1 0]                              [0 2 1 0]                              [3 0 0 1]]

tf.matmul(a,b,transpose_a=False,transpose_b=False,a_is_sparse=False,b_is_sparse=False,name=None) #矩阵相乘

transpose_a=False,transpose_b=False #运算前是否转置

a_is_sparse=False,b_is_sparse=False #a,b是否当作系数矩阵进行运算

1 2 3 4 5

import tensorflow as tf; A =tf.constant([1,0,0,3],shape=[2,2]) B =tf.constant([2,1,0,2],shape=[2,2]) with tf.Session() as sess:  print(sess.run(tf.matmul(A,B)))

1 2	#输出结果为[[2 1]    [0 6]]

tf.matrix_determinant(input,name=None) #计算行列式

1 2 3 4

import tensorflow as tf; A =tf.constant([1,0,0,3],shape=[2,2],dtype=tf.float32) with tf.Session() as sess:  print(sess.run(tf.matrix_determinant(A)))

1

#输出结果为3.0

tf.matrix_inverse(input,adjoint=None,name=None)

adjoint决定计算前是否进行转置

1 2 3 4

import tensorflow as tf; A =tf.constant([1,0,0,2],shape=[2,2],dtype=tf.float64) with tf.Session() as sess:  print(sess.run(tf.matrix_inverse(A)))

1 2	#输出结果为[[ 1. 0. ]    [ 0. 0.5]]

tf.cholesky(input,name=None) #对输入方阵cholesky分解，即为将一个对称正定矩阵表示成一个下三角矩阵L和其转置的乘积德分解

1 2 3 4

import tensorflow as tf; A =tf.constant([1,0,0,2],shape=[2,2],dtype=tf.float64) with tf.Session() as sess:  print(sess.run(tf.cholesky(A)))

1 2	#输出结果为[[ 1.   0.  ]    [ 0.   1.41421356]]