tensorflow基本使用

理解tensorflow

• 使用图（graph）来表示计算任务
• 在被称为会话（session）的上下文（context）中执行图
• 使用tensor（张量）表示数据
• 通过变量（variable）维护状态
• 使用feed和fetch可以为任意的操作（arbitrary operation）赋值或者从其中获取数据

tensorflow是一个编程系统，使用图来表示计算任务。图中的节点被称作op(opreation)，op可以获得0个或多个tensor，产生0个或多个tensor。每个tensor是一个类型化的多维数组。
图描述了计算的过程。为了进行计算，图必须在会话中启动，会话负责将图中的op分发到CPU或GPU上进行计算，然后将产生的tensor返回。在python中，tensor就是numpy.ndarray对象。

tensorflow程序阶段

一般被组织成两个阶段：构建阶段和执行阶段

• 构建阶段：op的执行顺序被描述成一个图
• 执行阶段：使用会话执行图中的op

tensorflow使用实例

import tensorflow as tf  #导入tensorflow库
mat1 = tf.constant([[3.,3.]]) #创建一个1*2矩阵
mat2 = tf.constant([[2.],[2.]]) #创建一个2*1矩阵
product = tf.matmul(mat1,mat2)  #创建op执行两个矩阵的乘法
sess = tf.Session()  #启动默认图
res = sess.run(product)  #在默认图中执行op操作
print(res)  #输出乘积结果
sess.close()  #关闭session

交互式会话（interactivesession）

为了方便使用ipython之类的python交互环境，可以使用交互式会话来代替session。使用类似Tensor.run()和Operation.eval()来代替Session.run()，避免使用一个变量来持有会话。

import tensorflow as tf
sess = tf.InteractiveSession() #创建交互式对话
a = tf.Variable([1.0,2.0]) #创建变量数组
b = tf.constant([3.0,4.0]) #创建常量数组
sess.run(tf.global_variables_initializer()  #变量初始化
res = tf.add(a,b)  #创建加法操作
print(res,eval())  #执行操作并输出结果

Feed操作

Feed机制可以临时代替图中任意操作中的tensor，最常见的用例是使用tf.placeholder()创建占位符，相当于是作为图中的输入，然后使用Feed机制向图中占位符提供数据进行计算。

import tensorflow as tf
sess = tf.InteractiveSession()
input1 = tf.placeholder(tf.float32)#创建占位符
input2 = tf.placeholder(tf.float32)#创建占位符
res = tf.mul(input1,input2)#创建乘法操作
res.eval(feed_dict{input1:[7.],input2:[2.]}) #求值