tensorflow基础知识学习笔记--图和会话

1、tensor：张量
operation（op）;专门运算的操作节点，所有的操作都是一个op
图：graph你的整个程序的结构
会话：运算程序的图
加法计算

import tensorflow as tf
import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
a = tf.constant(5.0)
b = tf.constant(6.0)

sum1 = tf.add(a, b)
print(sum1)

with tf.Session() as sess:
    print(sess.run(sum1))

（1）图的基础知识
计算密集型：tensorflow；cpu计算
IO密集型：web，scrapy，django，http请求、磁盘操作等等
（2）、图默认已经注册，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

# 默认的这张图，相当与就是在分配一段内存
graph = tf.get_default_graph()
op、sess或者tensor的graph属性

（3）图的创建：

#创建一张图，上下文环境
# op:只要使用tensorflow的API定义的函数都是OP
# tensor：张量就指代的是数据
g = tf.Graph()
print(g)
with g.as_default():
    c = tf.constant(11.0)
    print(c.graph)

（4）tensorflow
前端系统：定义程序图的结构
后端系统：运算图结构
2、会话：
（1）作用：
运行图的结构
分配资源的计算
掌握资源（变量的资源、队列、线程）
（2）
tf.Session（）只能运行一个图，可以在会话中指定图去运行
sess.run（）启动整个图
交互式tf.lnteractiveSession()
只要有会话的上下文环境，就能使用eval

config=tf.ConfigProto(log_device_placement=True

（3）会话的run方法
不是op不能运行，有重载机制，默认会给运算符重载成tensor类型

run(fetches=,feed_dict=None,graph=None)，运行ops和计算tensor
嵌套列表、元组
namedtuple，dict或OrderedDict（重载的运算符也能运行 ）
feed_dict允许调用者覆盖图中指定张量的值，提供给placehodler使用
返回值异常
RuntimerError：如果它Session处于无效状态（例如已关闭）
TypeError：如果fetches或feed_dict键是不适合的类型
ValueError：如果fetches或feed_dict键无效或引用Tensor不存在
print(sess.run([a, b, sum]))

tensorflow Feed操作
意义：在程序执行的时候，不知道输入的是什么，提前占个坑
语法：placehodler提供占位符，run的时候通过feed_dict指定参数

import tensorflow as tf
import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.add(input1, input2)
with tf.Session() as sess:
    print(sess.run([output], feed_dict={input1: 10.0, input2: 20.0}))

import tensorflow as tf
import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

# 创建一张图，上下文环境
# op:只要使用tensorflow的API定义的函数都是OP
# tensor：张量就指代的是数据
g = tf.Graph()
print(g)
with g.as_default():
    c = tf.constant(11.0)
    print(c.graph)

a = tf.constant(5.0)
b = tf.constant(6.0)
sum = tf.add(a, b)
# 默认的这张图，相当与就是在分配一段内存
graph = tf.get_default_graph()
# 有重载机制，默认会给运算符载成op类型运行
var1 = 1
var2 = 2
sum2 = var1 + var2 + a
print(graph)
# 训练模型，实时提供数据去进行训练
# placehodler是一个占位符
plt = tf.placeholder(tf.float32, [2, 3])
with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:
    print(sess.run(plt, feed_dict={plt: [[1, 2, 3], [4, 5, 6]]}))
    # print(sess.run(fetches=, feed_dict=None, graph=None))
    print(sess.run([a, b, sum]))
    print(a.graph)
    print(sum.graph)
    print(sess.graph)