【Python与机器学习 7-4】TensorFlow框架及使用

TensorFlow安装

普通版本

pip install tensorflow

GPU版本

pip install tensorflow-gpu
其它步骤参考https://www.tensorflow.org/install

TensorFlow中的三种模式

首先我们看一下TensorFlow，把它分开就是Tensor和Flow。
这个Tensor为多维或高维矩阵，TensorFlow的框架里数据都是以tensor的形式存储的。Flow 数据根据制定的计算图进行流转。

计算模式—计算图（Computation Graph）

什么是计算图

TensorFlow是一个通过计算图的形式表示计算的编程系统，TensorFlow中的所有计算都会被转化为计算图上的节点，节点之间的边描述了计算之间的依赖关系。
如下图就是一个加法计算图，圆圈就是tensor，箭头就是Flow。

TF程序的两个阶段

TensorFlow不是像我们之前写Python的代码一样，想到什么写什么，而是要提前把所有的计算定义好，把规则制定好，也就是画好计算图。画好完整的图以后才能执行计算。
即TF程序通常分两个阶段：
1. 定义计算图中所有的计算;
2. 执行计算

获取TF自动维护的默认计算图

TF程序自动维护一个默认的计算图，可通过tf.get_default_graph函数获取

tf.get_default_graph
或者a.graph(如果没有特殊声明，a.graph返回其所属的计算图，即默认的计算图)

资源共享

TensorFlow中不同计算图上的张量和运算不共享，那么我们需要共享时应该如何操作呢？
一个计算图中可以通过collection管理不同类别的资源
①将资源加入集合中

tf.add_to_collection

②获取集合里的所有资源

tf.get_collectoin

数据模式—张量(Tensor)

张量是什么

Tensor是TF管理数据的形式，可简单地理解为多维数组。
张量主要保存三个属性：名字(name)、维度(shape)、类型(dtype)

张量是得到数据的过程，并未保存数据

TF中的张量并没有真正保存数据，而是如何得到这些数据的过程

举个例子就明白了：

a = tf.constant([1.0, 2.0], name='a') #定义一个常量，命名为a
b = tf.constant([2.0, 3.0], name='b') #定义一个常量，命名为b
result = tf.add(a, b, name='add') #定义一个计算模式，命名为add

print(result) #结果是Tensor("add:0", shape=(2,), dtype=float32)，而不是求和后的值，这就表明我们只是定义了计算模式，还未运行

tf.Session().run(result) #加了这一步就会得到运行结果array([3., 5.], dtype=float32)

张量的用途

1. 作为中间计算结果的引用，提高程序的可读性
2. 通过张量获得计算结果，即真实的数据

方法为

tf.Session().run()

运行模式—会话(Session)

通过上面