tensorflow生成常量_Tensorflow基础知识介绍（一）

一、Tensorflow导入

我们的代码主要是针对Tensorflow 1.x版本的环境，在Tensorflow 2.x下有部分代码无法正常运行，因此若是Tensorflow 1.x版本，只需简单使用import tensorflow as tf即可，而对于2.x版本的Tensorflow，我们可以将运行环境转换为1.x，并disable 2.x的特性：

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior

也许有小伙伴不记得自己装过Tensorflow的版本，可以使用tf.__version__查看，下面我们都默认大家使用的是1.x的Tensorflow版本。

二、Tensorflow三个核心概念

2.1 Graph

在Tensorflow中，计算图是一个有向图，用来描述计算节点一集计算节点之间的关系，所以在TensorFlow中我们存储一个值或者数组的时候，存的其实是这个值或者数组的计算图而不是其本身的数字

关于计算图的操作：

1. 新建计算图：g=tf.Graph()，但是不同计算图上的张量是不能共享的，这个是存在于变量
2. 指定计算图使用的device：with g.device("/gpu:0")
3. 设置默认计算图：with g.as_default:
4. 在会话中可以指定使用的计算图：with tf.Session(graph=g1)

下面是示例代码，大家可以自己运行一下：

g = tf.Graph()
tf.compat.v1.disable_v2_behavior()
tf.compat.v1.get_default_graph()
with g.device(0):
    a = tf.constant([10, 9, 8, 7])
    b = tf.constant([1, 2, 3, 4])
    c_1 = a + b
    print(c_1.graph)
    print(a.graph, b.graph)
    
    sess = tf.compat.v1.Session()
    print(sess.run(c_1))

a.graph等的输出应类似<tensorflow.python.framework.ops.Graph object at 0x00000167399CEA90>，sess.run则是运行a+b这个计算

若没有使用GPU，也可以不指定device：

a = tf.constant([1, 2, 3, 4], name="a")
b = tf.constant([2, 3, 5, 6], name="b")
c = a + b
print(a.graph, b.graph, c.graph)
sess = tf.compat.v1.Session()
print(sess.run(c))

下面定义多个图，会发现在后面Session运行时若指定g1将会报错，这是因为两次创建的图不一致：

g1 = tf.Graph()
with g1.as_default():
    a = tf.constant([1, 2, 3], name="a")
    b = tf.get_variable("b", initializer=tf.constant_initializer()(shape=[1]))
    
g2 = tf.Graph()
with g2.as_default():
    a = tf.constant([2, 3], name="a")
    b = tf.get_variable("b", initializer=tf.constant_initializer()(shape=[3]))
    
with tf.Session(graph=g2) as sess:
    tf.global_variables_initializer().run()
    c = a + 1
    print("常量的情况下", sess.run(c))
    with tf.variable_scope("", reuse=True):
        print("变量情况下", sess.run(tf.get_variable("b")))

with tf.Session(graph=g2) as sess:
    tf.global_variables_initializer().run()
    c = a + 1
    print("常量的情况下", sess.run(c))
    with tf.variable_scope("", reuse=True):
        print("变量情况下", sess.run(tf.get_variable("b")))

2.2 Tensor

张量可以简单理解为多维数组，其中零阶张量表示标量，一阶张量为向量，第n阶张量可以理解为一个n维数组，但是张量在Tensorflow中的实现并不是直接采用数组的形式，它只是对Tensorflow中运算结果的引用，在张量中并没有真正保存数字，它保存的是如何得到这些数字的计算过程。

a = tf.constant(2, name="a")
b = tf.constant([2, 3, 4], name="b")
c = a * b
with tf.Session() as sess:
    print(sess.run(c))

2.3 Session

在Tensorflow中，计算图的计算过程都是在会话下进行的，同一个会话内的数据是可以共享的，会话结束计算的中间量就会消失，在Tensorflow中需要指定会话。Session有三种调用方式：

最常用的一种：

with tf.Session() as sess:
    sess.run(result)

另外不太常见的使用方式如下：

sess = tf.Session()
with sess.as_default():
    print(result.eval())

还有一种交互式的使用方式（保证安全性），此时会生成默认会话，不需指定：

sess = tf.InteractiveSession()

三、Tensorflow常用基础API

3.1 简单API

tf.size()  # This operation returns an integer representing the number of elements in input.
tf.shape()  # Returns the shape of a tensor.

tf.reshape()  # Reshapes a tensor.
tf.squeeze()  # Removes dimensions of size 1 from the shape of a tensor.
tf.expand_dims()  # Inserts a dimension of 1 into a tensor's shape.

tf.concat()  # Concatenates tensors along one dimension.
tf.split()  # Splits a tensor into sub tensors.
tf.tile()  # Constructs a tensor by tiling a given tensor.

tf.slice()  # Extracts a slice from a tensor.
tf.stack()  # Stacks a list of rank-R tensors into one rank-(R+1) tensor. v1.0之前为tf.pack()
tf.gather()  # Gather slices from params according to indices.
tf.pad()  # Pads a tensor.


tf.reduce_sum()  # Computes the sum of elements across dimensions of a tensor.
tf.reduce_mean() # Computes the mean of elements across dimensions of a tensor.
tf.reduce_max()  # Computes the maximum of elements across dimensions of a tensor.

tf.argmax()  # Returns the index with the largest value across axes of a tensor.
tf.argmin()  # Returns the index with the smallest value across axes of a tensor.

tf.fill()  # Creates a tensor filled with a scalar value.

tf.random_shuffle()  # Randomly shuffles a tensor along its first dimension.
tf.truncated_normal()
tf.random_normal()

3.2 tf.InteractiveSession()

tf.InteractiveSession()是一种交互式的session方式，它让自己成为了默认的session，也就是说用户在不需要指明用哪个session运行的情况下，就可以运行起来，这就是默认的好处。这样的话就是run()和eval()函数可以不指明session啦。

import tensorflow as tf
import numpy as np

a=tf.constant([[1., 2., 3.],[4., 5., 6.]])
b=np.float32(np.random.randn(3,2))
c=tf.matmul(a,b)
init=tf.global_variables_initializer()
sess=tf.InteractiveSession()
print (c.eval())

若想使用tf.Session()，则必须加上with sess.as_default():

3.3 tf.nn模块

该模块的内容由于知乎不支持表格，需要阅读或复制的可以移步我的公众号链接：Tensorflow基础知识介绍（一） ，下面直接截图展示：