Tensorflow的应用(一)

       Tensorflow的安装就不介绍了，我在ubuntu安装的，还是蛮容易的，windows可能会复杂一些。网上有比较多的安装教程，这里就不介绍了。关于tf的使用主要是通过代码解释每一个知识点。

      在进行正式编辑tf代码前，先了解tf的几个概念。

     （1）使用图（graphs）来表示计算任务在被称之为会话（Session）的上下文（context）中执行图

        (2）使用tensor表示数据通过变量（Variable）维护状态

      （3）使用feed和fetch可以为任意的操作赋值或者从其中获取数据

        Tensorflow是一个编程系统，使用图（graphs）来表示计算任务，图（graphs）中的节点称之为op（operation），一个op获得0个或多个Tensor，执行计算产生0个或多个Tensor。Tensor看作是一个n维的数组或列表。图必须在会话（Session）里被启动。

        下面正式进入代码：

1、创建图和使用图
import tensorflow as tf
m1=tf.constant([[3,3]])#创建一个常量op
m2=tf.constant([[2],[3]])#创建一个常量op
product=tf.matmul(m1,m2)#创建一个矩阵乘法op，把m1和m2传入
sess=tf.Session()#定义一个会话，启用默认图
result=sess.run(product)#调用Session的run的方法执行矩阵op，run(product)触发了图的三个op
print result
sess.close()
2、变量的使用
import tensorflow as tf
x=tf.Variable([1,2])
y=tf.constant([3,3])
sub=tf.subtract(x,y)#一个减法op
add=tf.add(x,sub)#一个加法op
init=tf.global_variables_initializer()#初始化变量为全局变量
with tf.Session() as sess:
    sess.run(init)#先执行初始化
    print sess.run(sub)
    print sess.run(add)
#以下进行一个累加求和
state=tf.Variable(0,name='count')#初始化变量为0
new_values=tf.add(state,1)#定义一个加法op，每次state变量加1
update=tf.assign(state,new_values)#赋值op，将每次累加的结果new_values赋值给state
init=tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)#先执行初始化
    print sess.run(state)
    for _ in range(5):
        sess.run(update)
        print(sess.run(state))
3、Fetch 和Feed
import tensorflow as tf
#Fetch
input1=tf.constant(2.0)
input2=tf.constant(3.0)
input3=tf.constant(5.0)
add=tf.add(input2,input3)
mul=tf.multiply(input1,add)
with tf.Session() as sess:
    result=sess.run([add,mul])#Fetch的意思是在一个会话里面执行两个op
    print result
#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数据以字典的形式传入
    print sess.run(output,feed_dict={input1:[2],input2:[3]})#fedd_dict的固定参数关键字，不能改
4、  tensorflow的简单示例:拟合一个线性回归
import tensorflow as tf
import numpy as np
x_data=np.random.rand(100)
y_data=x_data*0.1+0.2
#构造一个线性模型
b=tf.Variable(0.)
k=tf.Variable(0.)
y=k*x_data+b
#定义一个二次代价函数
loss=tf.reduce_mean(tf.square(y_data-y))
#定义一个梯度下降法来进行训练的优化器
optimizer=tf.train.GradientDescentOptimizer(0.2)#0.2为学习率
#定义一个训练
train=optimizer.minimize(loss)
#初始化变量
init=tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    for step in range(201):
        sess.run(train)
        if step%20==0:
            print sess.run([k,b])