tf学习

一.基础：

1. 使用图（graph）表示计算任务
2. 任务在会话（session）中执行
3. 使用（tensor）表示数据
4. 使用（Variable）维护状态
5. 使用feed和fetch进行操作的（op）赋值和数据获取

 

tf程序被构建成图，然后通过运行图被执行。

• 定义op（constant常量也属于op）

import tensorflow as tf

#创建一个常量op 返回一个1*2的矩阵
matrix1 = tf.constant([[3., 3.]])

#创建一个常量op 返回一个2*1的矩阵
matrix2 = tf.constant([[2.],[2.]])

#创建一个乘法op，输入为上面定义的两个常量op 可以把product看做是op定义的操作名
product = tf.matmul（matrix1， matrix2）

 

• 定义变量Variable

x = tf.Variable([1.0, 2.0])

• 启动图：启动图后，变量被初始化，应增加一个初始化变量的op到图里，并执行这个初始化op

with tf.Session() as sess:
  result = sess.run([product])
  print result

# 创建一个变量, 初始化为标量 0.
state = tf.Variable(0, name="counter")

# 创建一个 op, 其作用是使 state 增加 1

one = tf.constant(1)
new_value = tf.add(state, one)
update = tf.assign(state, new_value)

# 启动图后, 变量必须先经过`初始化` (init) op 初始化,
# 首先必须增加一个`初始化` op 到图中.
init_op = tf.initialize_all_variables()

# 启动图, 运行 op
with tf.Session() as sess:
  # 运行 'init' op
  sess.run(init_op)
  # 打印 'state' 的初始值
  print sess.run(state)
  # 运行 op, 更新 'state', 并打印 'state'
  for _ in range(3):
    sess.run(update)
    print sess.run(state)

• 指定设备运行图:

   如果检测到 GPU, TensorFlow 会尽可能地利用找到的第一个 GPU 来执行操作.如果机器上有超过一个可用的 GPU, 除第一个外的其它 GPU 默认是不参与计算的,为了让 TensorFlow 使用这些 GPU, 你必须将 op 明确指派给它们执行:

with tf.Session() as sess:
  with tf.device("/gpu:1"):
    matrix1 = tf.constant([[3., 3.]])
    matrix2 = tf.constant([[2.],[2.]])
    product = tf.matmul(matrix1, matrix2)

设备用字符串进行标识. 目前支持的设备包括:

1. "/cpu:0": 机器的 CPU.
2. "/gpu:0": 机器的第一个 GPU, 如果有的话.
3. "/gpu:1": 机器的第二个 GPU, 以此类推.

• fech(执行图时获取的多个 tensor 值，在 op 的一次运行中一起获得（而不是逐个去获取 tensor）)

input1 = tf.constant(3.0)
input2 = tf.constant(2.0)
input3 = tf.constant(5.0)
intermed = tf.add(input2, input3)
mul = tf.mul(input1, intermed)

with tf.Session():
  result = sess.run([mul, intermed])
  print result

# 输出:
# [array([ 21.], dtype=float32), array([ 7.], dtype=float32)]

• feed：（可以临时替代图中的任意操作中的 tensor 可以对图中任何操作提交补丁, 直接插入一个 tensor，常见的用例是将某些特殊的操作指定为 "feed" 操作, 标记的方法是使用 tf.placeholder() 为这些操作创建占位符.）

input1 = tf.placeholder(tf.types.float32)
input2 = tf.placeholder(tf.types.float32)
output = tf.mul(input1, input2)

with tf.Session() as sess:
  print sess.run([output], feed_dict={input1:[7.], input2:[2.]})

# 输出:
# [array([ 14.], dtype=float32)]