1.TensorFlow简单基本概念
计算图 使用图(graphs)来表示计算任务
会话(session) 在被称之为会话(Session)的上下文(context)中执行计算图
张量(tensor) 使用tensor表示数据
变量 通过变量(Variable)维护状态
feed和fetch 使用feed和fetch可以为任意的操作赋值或者从其中获取数据
Tensorflow是一个编程系统,使用图(graphs)来表示计算任务,图(graphs)中的节点称之为op
(operation),一个op获得0个或多个Tensor,执行计算,产生0个或多个Tensor。 Tensor 看作是
一个 n 维的数组或列表。图必须在会话(Session)里被启动。
如下图:
计算是从下向上来追踪数据流
2.TensorFlow 设计理念:
将图的定义和图的运行完全分开。TensorFlow 完全采用符号式编程。
符号式计算一般是先定义各种变量,然后建立一个数据流图,在数据流图中规定各个变量之间的计算关系,最后需要对数据流图进行编译,此时的数据流图还是一个空壳,里面没有任何实际数据,只有把需要的输入放进去后,才能在整个模型中形成数据流,从而形成输出值。
如下图所示:定义了一个操作,但实际上并没有运行。
3.TensorFlow 各个概念:
(1)边:TensorFlow 的边有两种连接关系:数据依赖(实线表示)和控制依赖(虚线表示)。实现边表示数据依赖,代表数据,即张量。任意维度的数据统称为张量。虚线边称为控制依赖,可以用于控制操作的运行,这类边上没有数据流过,但源节点必须在目的节点开始执行前完成执行。
(2)节点:节点代表一个操作,一般用来表示施加的数学运算。
(3)图:把操作任务描述成有向无环图。创建图使用 tf.constant() 方法:
a = tf.constant([1.0,2.0])
(4)会话:启动图的第一步是创建一个 Session 对象。会话提供在图中执行操作的一些方法。使用 tf.Session() 方法创建对象,调用 Session 对象的 run()方法来执行图:
with tf.Session() as sess:
result = sess.run([product])
print(result)
(5)设备:设备是指一块可以用来运算并且拥有自己的地址空间的硬件。方法:tf.device()
(6)变量:变量是一种特殊的数据,它在图中有固定的位置,不向普通张量那样可以流动。使用 tf.Variable() 构造函数来创建变量,并且该构造函数需要一个初始值,初始值的形状和类型决定了这个变量的形状和类型。
#创建一个变量,初始化为标量0
state = tf.Variable(0, name="counter")
(7)内核:内核是能够运行在特定设备(如 CPU、GPU)上的一种对操作的实现。
简单例子:
tf.Session
Session 是 Tensorflow 为了控制,和输出文件的执行的语句. 运行 session.run() 可以获得你要得知的运算结果, 或者是你所要运算的部分,有两种使用Session的方式,我们可以从下面的例子中看出来,但在实际中,我们更推荐后者:
import tensorflow as tf
matrix1 = tf.constant([[3,3]])
matrix2 = tf.constant([[2],[2]])
product = tf.matmul(matrix1,matrix2)
sess = tf.Session()
result = sess.run(product)
print(result)
sess.close()
with tf.Session() as sess:
result2 = sess.run(product)
print(result2)
tf.Variable
在 Tensorflow 中,定义了某字符串是变量,它才是变量,这一点是与 Python 所不同的。定义语法: state = tf.Variable().如果你在 Tensorflow 中设定了变量,那么初始化变量是最重要的!!所以定义了变量以后, 一定要定义 init = tf.global_variables_initializer().到这里变量还是没有被激活,需要再在 sess 里, sess.run(init) , 激活 init 这一步.
import tensorflow as tf
#定义变量,给定初始值和name
state = tf.Variable(0,name="counter")
#counter:0
print(state.name)
one = tf.constant(1)
new_value = tf.add(state,one)
update = tf.assign(state,new_value)
#这里只是定义,必须用session.run来执行
init = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
for _ in range(3):
sess.run(update)
print(sess.run(state))
TF placeholder
placeholder 是 Tensorflow 中的占位符,暂时储存变量.
Tensorflow 如果想要从外部传入data, 那就需要用到 tf.placeholder(), 然后以这种形式传输数据 sess.run(***, feed_dict={input: **}).
import tensorflow as tf
input1 = tf.placeholder(dtype=tf.float32)
input2 = tf.placeholder(dtype=tf.float32)
output = tf.multiply(input1,input2)
with tf.Session() as sess:
print(sess.run(output,feed_dict={input1:[3.],input2:[5]}))