《人工智能实践：Tensorflow笔记》听课笔记11_3.1张量、计算图、会话

附：课程链接

第三讲.Tensorflow框架
3.1张量、计算图、会话
由于个人使用Win7系统，并未完全按照课程所讲，以下记录的也基本是我的结合课程做的Windows系统+PyCharm操作。且本人有python基础，故一些操作可能简略。并未完全按照网课。

记住编写代码时，除注释内容外，字符均使用英文格式。

本节课程目标：搭建第一个神经网络，总结搭建八股。
1.基于Tensorflow的NN（Neural Networks神经网络）：用张量表示数据，用计算图搭建神经网络，用会话执行计算图，再优化线上的权重（参数），得到更准确的模型。
2.张量（tensor）：多维数组（多维列表）。用“阶”来表示张量的维度。
0阶张量→标量，表示一个单独的数。例如：S = 123
1阶张量→向量，表示一个一维数组。例如V = [1,2,3] （列表[1,2,3]）
2阶张量→矩阵，表示一个二维数组，它可由i行j列个元素，每个元素用行号和列号共同索引到。例如m = [[1,2,3],[4,5,6],[7,8,9]]，在这个矩阵m中，元素1的索引就是m的第一行第一列。
判断张量是几阶的，就通过判断张量右边的方括号数，0个是0阶，1个是1阶……n个就是n阶。张量可以表示0到n阶数组。

3.tensorflow的数据类型：tf.float32（32位浮点）、tf.int32（32位整形）等等。
代码举例（实现两个张量的加法）：

import tensorflow as tf #导入tensorflow模块，简写为tf
a = tf.constant([1.0,2.0])  #定义一个张量a等于常数[1.0,2.0]
b = tf.constant([3.0,4.0])  #定义一个张量b等于常数[3.0,4.0]
result = a + b  #实现a+b的加法
print(result)

验证结果：

result是一个名为"add:0"的张量，因为shape的()中仅有一个元素，故维度是1，这个元素是2，表示第一个维度里有两个元素，是浮点型的。

【补充：在运行上述代码时出现了警告：FutureWarning: Passing (type, 1) or ‘1type’ as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / ‘(1,)type’.
_np_quint16 = np.dtype([(“quint16”, np.uint16, 1)])。大家感兴趣可以自行百度，个人觉得在现在没有什么影响，毕竟只是一个future的warning，但是以后还是要注意书写方式。现在我没有找到解决消除这个警告的办法。】

其实上述的代码就是一个计算过程，就是一张计算图。从输出结果我们可以看出，结果仅显示是个张量，并未实际运算显示张量的值。故计算图只显示计算过程，不计算运算结果。现在让我们了解一下计算图：

4.计算图（Graph）：搭建神经网络的过程，是承载一个或多个计算节点的一张图，只搭建网络，不运算。
举例：在第一讲中提过，神经网络的基本单元是神经元，神经元的基本模型如图：

其实就是数学中的“乘加运算”。x1、x2是输入，w1、w2分别是x1→y和x2→y的权重。y = x1w1 + x2w2。我们用张量运算描述这个神经元：

import tensorflow as tf #导入tensorflow模块，简写为tf

x = tf.constant([[1.0,2.0]])  #x是一个一行两列的张量，为常量
w = tf.constant([[3.0],[4.0]])  #w是一个两行一列的张量，为常量

y = tf.matmul(x,w)  #实现xw矩阵乘法。x是一行两列，w是两行一列，输出结果为一行一列的二维张量
print(y)

跟上一段代码一样，我们得到的仅是计算过程，而非计算结果：

如果想得到运算结果就要用到会话了：

5.会话（Session）：执行计算图中的节点运算。我们用with结构实现，语法如图：

注意Session首字母大写。sess.run(y)就可以结算出矩阵乘加结果了。
代码实现：

import tensorflow as tf #导入tensorflow模块，简写为tf

x = tf.constant([[1.0,2.0]])  #x是一个一行两列的张量，为常量
w = tf.constant([[3.0],[4.0]])  #w是一个两行一列的张量，为常量

y = tf.matmul(x,w)  #x是一行两列，w是两行一列，输出结果为一行一列的二维张量
print(y)

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

运行结果（无视报错）：

得到结果即为11.0（1.03.0 + 2.04.0 = 11.0）

【在课程中，老师使用的是Vim，最后介绍了降低tensorflow提升等级的操作，在这里附上助教笔记，如感兴趣可自行观看网课（网课链接在文首已附）：
】