tensorflow基础理解——框架、维度

tensorflow架构理解：

https://blog.csdn.net/u012609509/article/details/52574235

建立一个计算图，任何的数学运算可以使用TensorFlow支撑。
初始化变量编译预先定义的变量。
创建session，这是神奇开始的地方 ！
在session中运行图形，编译图形被传递到session，它开始执行操作。
关闭session，结束这次使用。

tensorflow就是要定义一个图，然后通过Session来运算这个图。
比如：定义了一个图，输入x——W1 x x+b1=y1 这就是一个节点的值——W2 x y1+b2=y…
定义这个图时，我们首先需要对输入x进行占位处理，由于这个x并不需要机器学习，是源源不断的输入，对于这样的量，tensorflow要求用用placeholder占位。还有另一种变量，比如W1、b1、W2、b2这种变量，需要计算机去学习还要占位置才能保证图的完整性，tensorfllow要求用variable去定义。

#tensorflow首先会构建一个需要完成的所有操作的图表，然后当“session”被调用时，它将“run”该图表。
# 简化调用库名
import tensorflow as tf
import numpy as np

# 模拟生成100对数据对, 对应的函数为y = x * 0.1 + 0.3
x_data = np.random.rand(100).astype("float32")
y_data = x_data * 0.1 + 0.3

# 指定w和b变量的取值范围（注意我们要利用TensorFlow来得到w和b的值）
W = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
b = tf.Variable(tf.zeros([1]))
y = W * x_data + b

# 最小化均方误差
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)  #定义了一个梯度下降法的优化算法
train = optimizer.minimize(loss)  #使用刚才定义的梯度下降算法来使损失函数最小   
#但是记住，这些都只是定义图和各种算法，但是并没有执行图和优化算法呢。

# 初始化TensorFlow参数
init = tf.initialize_all_variables()

# 运行数据流图（注意在这一步才开始执行计算过程）
sess = tf.Session()
sess.run(init)

# 观察多次迭代计算时，w和b的拟合值
for step in xrange(201):
    sess.run(train)
    if step % 20 == 0:
        print(step, sess.run(W), sess.run(b))

# 最好的情况是w和b分别接近甚至等于0.1和0.3

tensorflow维度理解：

各种例子理解： https://www.cnblogs.com/rossoneri/p/8029940.html
各种shape理解： https://blog.csdn.net/shuzfan/article/details/79051042
x = tf.constant([[1., 2., 3.], [4., 5., 6.], [7., 8., 9.]])
x实际上就是：
[ [ 1. 2. 3.]
[ 4. 5. 6.]
[ 7. 8. 9.] ]
shape是（3,3），第一对[ ]中有三个向量维度，所以第一维是3，这三维中的每一维，也就是第二个[ ]中也有三个元素，所以第二维也是。因此shape为（3，3）
这种二维的我们可以理解为，是一个3行3列矩阵

x = tf.constant([[[1., 1.], [2., 2.]], [[3., 3.], [4., 4.]]])
x实际上是：
[ [ [ 1. 1.]
[ 2. 2.]]

[ [ 3. 3.]
[ 4. 4.] ] ]
shape（2,2,2）
这种三维的我们也可以理解为是2个2行2列的矩阵

但是再高一维，我们就不能在以一个具体的实例来理解了，只能把这些看做是单纯的向量了~

例子理解一下：
比如yolov1中将格子划分成了7x7的大小，每个格子产生2个框，每个框产生4个坐标（x,y,h,w）
所以在坐标那里的代码维度假设考虑为向量，那么向量的shape就应该是(7,7,2,4)
第一个[ ]中会有7个[ ]作为第一维度的向量 [ [ ] , [ ] , [ ] , [ ] , [ ] , [ ] , [ ] ] 如果取第一维度为0的元素，那么实际上就可以理解为，取走所有第一行的网格格子（7个网格）产生的方框（7x2个方框），每个方框4个坐标，也就是取走了7x2x4个元素
然后每一个[ ]中又有7个[ ],再有2个[ ],最后再有4个数字，其实就是一个套一个。
代码中经常取的是[:,:,:,:,0] ,意味着，取走最后一维向量中的第一个元素，最后一维是坐标（x,y,h,w），取走第一个元素，也就意味着取走所有框7x7x2个框的x元素。

其实也就是，你取某一行，那就是取走所有这一行的信息，你取某一列，也就取走所有关于这一列的信息，你取某一个坐标，那就是取走所有关于这个坐标的信息。