tensorflow学习（二）tensorflow基本概念：graphs；Session；Variable；feed和fetch

在b站上看视频学习tensorflow基本知识，同时记录一下~
由于课程第一节讲的是环境搭建，那部分自己完成了，没有听课，所以就从（二）开始吧

• 视频内容：02-1；02-2；02-3；02-4
• 主要内容：Tensorflow的基础使用，包括对图(graphs),会话(session),张量(tensor),变量(Variable)的一些解释和操作。
• 代码链接参考：github，由于所有的代码都是在Jupyter Notebook中进行编写以及运行，所有代码编写过程中有很多次运行，查看输出结果。
• 代码格式是.ipynb格式，查看代码方法：已经安装好了Anaconda等环境，打开终端，输入Jupyter Notebook，就可以按照路径打开代码了。

02-1:创建图和启动图

首先，需要对tensorflow有一个基本的了解，如图：

最重要的一点就是：图代表计算的一个过程，图需要在会话中执行。
例子：创建图和启动图代码：

import tensorflow as tf
# 常量op
m1 = tf.constant([[3,3]]) #1行2列
m2 = tf.constant([[2],[3]]) #2行1列  
product = tf.matmul(m1,m2) #创建一个矩阵乘法op，把m1和m2传入
print(product)
#结果：Tensor("Matul_2:0",shape=(1,1),dtype=int32)
#输出结果看一下，发现是一个tensor，并不是数字15，这是因为我们只是定义了op，并没执行

#定义一个会话，启动图
with tf.Session() as sess:
    # 使用sess的run方法来执行矩阵乘法op
    result = sess.run(product) #调用run(product)时，其实就是一层一层往上去调用
print(result) #结果:[[15]]
print(type(result)) #结果：<class 'numpy.ndarray'>

02-2:tensorflow中变量的使用

变量的定义tf.Variable以及初始化init = tf.global_variables_initializer()。

import tensorflow as tf

x = tf.Variable([1,2])
a = tf.constant([3,3])
# 增加一个减法op
sub = tf.subtract(x,a)
# 增加一个加法op
add = tf.add(a,sub)

# 全局变量初始化
init = tf.global_variables_initializer()#初始化所有变量，这里是只有一个变量，其他代码用这句的时候可以初始化所有的变量

with tf.Session() as sess:
    sess.run(init)
    print(x.value)
    print(sess.run(sub))
    print(sess.run(add))
"""
结果：
<bound method RefVariable.value of <tf.Variable 'Variable:0' shape=(2,) dtype=int32_ref>>
[-2 -1]
[1 2]
"""

完成一个数值递增的图以及会话中执行

import tensorflow as tf

# 创建一个变量，初始化为0
state = tf.Variable(0, name='counter')
# 创建一个op
new_value = tf.add(state,1)
# 赋值op
update = tf.assign(state,new_value)
# 初始化全局变量
init = tf.global_variables_initializer()

# 变量初始化为0，循环更新并打印
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(state))
    for _ in range(5):
        sess.run(update)
        print(sess.run(state))
"""
结果：
0
1
2
3
4
5
"""

02-3：fetch和feed的使用

fetch指同时运行，意思是在Session中可以同时执行多个OP，得到其运行的结果
feed允许在运行的时候再传入值，传入的参数要用字典来表示

import tensorflow as tf
#fetch :在会话中同时运行多个op
input1 = tf.constant(3.0)
input2 = tf.constant(2.0)
input3 = tf.constant(5.0)

add = tf.add(input2,input3) #7
mul = tf.multiply(input1,add) #21

with tf.Session() as sess:
    result = sess.run([mul, add]) #在会话中同时运行了多个op
    print((result))
#结果：[21.0, 7.0]

#feed
# 创建占位符
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.multiply(input1, input2)

with tf.Session() as sess:
    # feed数据以字典形式传入
    print(sess.run(output, feed_dict={input1:[2.0],input2:[6.0]}))
#结果：[12.]

02-4:tensorflow简单示例

import tensorflow as tf 
import numpy as np

#使用numpty生成100个随机点,可以看成是一个样本
x_data = np.random.rand(100)
y_data = x_data*0.1+0.2   #实际上是一条直线

#构进一个线性模型
b=tf.Variable(0.)
k=tf.Variable(0.)
y=k*x_data+b  #y相当于是预测值

#二次代价函数
loss = tf.reduce_mean( tf.square(y_data-y)) #tf.reduce_mean求平均值
#定义一个梯度下降发进行训练优化
optimizer = tf.train.GradientDescentOptimizer(0.2)  #0.2学习率
#最小化代价函数
train =optimizer.minimize(loss)

#初始化变量，就算是你给变量了一个初始值，也要进行初始化
init=tf.gloabal_variables_initalizer()

with tf.Session() as sess:
  sess.run(init)
  for step in range(201):
  sess.run(train)#每一次迭代，会最小化loss,往上推，发现是在改变k和b
  if step%20==0:
     print(step,sess.run([k,b]))

结果：