TensorFlow入门（一）_tensorflow入门概念-CSDN博客

本文链接：https://blog.csdn.net/xxy0118/article/details/77688006

一、TensorFlow基本概念

1.张量（Tensor）：张量是数学的一个分支学科，发展起源和历史请自行百度。在TensorFlow里，张量是矢量的扩展，张量是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数。例如，①3.14，标量，0维；②[1,2,3]，矢量，1维数组，1阶张量；③[1,2,3;4,5,6;7,8,9]，二维矩阵，2维数组，2阶张量；以此类推，张量可以扩展到n维矩阵，n阶张量。

2.计算图（Graph）

计算图生成的过程，就是模型定义的过程。计算图是静态的。

如训练模型为Y=aX+b，则其计算图为：

很容易看清，计算图就是一个静态的计算过程，其中各个节点是一个变量或一个计算，而节点之间的边描述了计算之间的依赖关系。整个过程可以看作是数据流动的过程。

这里说计算图是静态的，是因为在使用TensorFlow框架编程以进行模型训练时，模型定义即定义计算图的过程，仅仅只是定义，不做任何计算，实际计算过程通过会话（Session）完成。

当然，实际模型会比这个模型复杂很多，因此在模型很复杂的情况下，计算图就会起到梳理思路的作用，通过TensorBoard可视化工具即可查看实际模型的计算图。

3.会话（Session）

我们用python语言（当然也可以使用其他语言如java、go、c等）构建出计算图后，通过Session去执行计算任务。

例如：

pred = RNN(x, istate, weights, biases)

# 定义损失和优化方法，其中算是为softmax交叉熵，优化方法为Adam
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(pred, y))  # Softmax loss
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)  # Adam Optimizer

# 进行模型的评估，argmax是取出取值最大的那一个的标签作为输出
correct_pred = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))

# 初始化
init = tf.initialize_all_variables()

# 开始运行
with tf.Session() as sess:
    sess.run(init)
    step = 1
    # 持续迭代
    while step * batch_size < training_iters:
        # 随机抽出这一次迭代训练时用的数据
        batch_xs, batch_ys = mnist.train.next_batch(batch_size)
        # 对数据进行处理，使得其符合输入
        batch_xs = batch_xs.reshape((batch_size, n_steps, n_input))
        # 迭代
        sess.run(optimizer, feed_dict={x: batch_xs, y: batch_ys,
                                       istate: np.zeros((batch_size, 2 * n_hidden))})
        # 在特定的迭代回合进行数据的输出
        if step % display_step == 0:
            # Calculate batch accuracy
            acc = sess.run(accuracy, feed_dict={x: batch_xs, y: batch_ys,
                                                istate: np.zeros((batch_size, 2 * n_hidden))})
            # Calculate batch loss
            loss = sess.run(cost, feed_dict={x: batch_xs, y: batch_ys,
                                             istate: np.zeros((batch_size, 2 * n_hidden))})
            print "Iter " + str(step * batch_size) + ", Minibatch Loss= " + "{:.6f}".format(loss) + \
                  ", Training Accuracy= " + "{:.5f}".format(acc)
        step += 1
    print "Optimization Finished!"
    # 载入测试集进行测试
    test_len = 256
    test_data = mnist.test.images[:test_len].reshape((-1, n_steps, n_input))
    test_label = mnist.test.labels[:test_len]
    print "Testing Accuracy:", sess.run(accuracy, feed_dict={x: test_data, y: test_label,istate: np.zeros((test_len, 2 * n_hidden))})

with tf.Session() as sess以上的部分，都是在定义计算图，一下的部分才是实际开始去执行训练任务。