学习TensorFlow官方文档中文版 http://wiki.jikexueyuan.com/project/tensorflow-zh/get_started/basic_usage.html

一.基本使用

TensorFlow的基本特点：

1. 使用图（graph）来表示计算任务

2.在被称之为会话（session）的上下文（context）中执行图

3.使用tensor来表示数据

4.通过变量（variable）来维护状态

5.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

 

综述

TensorFlow使用图来表示计算任务，图中的节点称为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。每个tensor是一个类型化的多维数组。例如，你可以将一小组图像集表示为一个思维浮点数数组，如[batch，height，width，channels]

一个图描述了计算的过程。为了进行计算，图必须在会话中启动。会话将图的op分发到诸如CPU或GPU之类的设备上，同时执行op的方法。这些方法执行后，将产生的tensor返回。在python中，返回的tensorしnumpy ndarray对象。

 

计算图

TensorFlow一般组织成两个阶段：构建阶段和执行阶段。构建阶段中op的执行步骤被描述成一个图。在执行阶段，使用会话执行图中的op。典型的例子是，在构建阶段创建一张图来表示ヘ训练神经网络，然后在执行阶段反复执行图中的训练op

 

构建图

构建图的第一步，是创建源op（source op），它不需要任何输入。典型的op例如常量（constan）。其输出被传递给其它op做运算（就是神经网路的输入层？）

python中，op构造器的返回值代表被构造出的op的输出，这些返回值可以传递给其它op构造器作为输入

TensorFlow python库中有一个默认图，op构造器可以为其增加节点。这个默认图对于许多程序来说已经足够使用了。当然也可以管理多个图。

#!/usr/bin/env python import os os.environ['TF_CPP_MIN_LOG+LEVEL'] = '2' import tensorflow as tf # 构建阶段 # 构建一个常量op，是一个1*2矩阵，该op被作为一个节点加到默认图中 matrix1 = tf.constant([[3.,3.]]) # 再构建一个常量op，这次是一个2*1矩阵 matrix2 = tf.constant([[2.],[2.]]) # 构建一个矩阵乘法matmul op，将前两个常量作为输入，返回值product代表矩阵乘法的结果 product = tf.matmul(matrix1,matrix2)

这样就在默认图中设置了3个节点，前两个为输入的constant节点，后一个为matmul节点。然而到这里执行程序并没有进行真正的矩阵相乘运算，为了得到真正进行矩阵相乘运算的结果，必须在后来的会话中启动这个图

 

在一个会话中启动会图

构造阶段完成后，就能够启动图。启动图的第一步是创建一个Session对象，如果无任何创建参数，会话构造器将启动默认图。

#运行阶段 #启动默认图 sess = tf.Session() # 调用sess的run方法来执行构建的矩阵乘法op，传入produ作为该方法的参数，是为了表明我们希望取回矩阵乘法op的输出 # 整个执行是自动化的，会话负责传递op所需的全部输入，op通常是并发执行的 # 返回值result是一个numpy‘ndarray’对象 result = sess.run(product) print(result) #[[12.]] sess.close()#任务完成关闭对话

另外也可以使用with语句来自动完成关闭操作

　with tf.Session() as sess:

　　result = sess.run([product])

　　print(result)

这样的输出为[array([[12.]], dtype=float32)]

在具体实现上，tensorf将图形定义转换为分布式执行的操作，以充分利用可以利用的系统资源（CPU,GPU等）。一般不需要显示指定使用CPU或GPU，TensorFlow在检测到GPU后悔尽可能利用找到的第一个GPU来进行操作。

如果机器上有多块GPU，除第一块以外其他的GPU默认是不工作的。如果想把它们利用起来，需要将op明确的指派给它们执行：

　　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)

　　　　　　.....

设备号用字符串标示。支持的设备包括：

‘/cpu:0’:机器的CPU

'/gpu:0'机器的第一个GPU，如果有的话

‘/gpu:1’第二块GPU 以此类推

 

交互式使用

对于交互式使用环境（IPython），可以使用InteractiveSession代替Session类，使用Tensor.eval()和Operation.run()方法来代替Session.run()。这样可以避免使用一个变量来持有会话。

#!/usr/bin/env python import os os.environ['TF_CPP_MIN_LOG+LEVEL'] = '2' import tensorflow as tf # 进入一个交互式会话 sess = tf.InteractiveSession() x = tf.Variable([1.0,2.0]) a = tf.constant([3.0,3.0]) # 使用初始化其initializer op 的run()方法来初始化‘x'' x.initializer.run() sub = tf.subtract(x,a) print(sub.eval())

 

Tensor

tensor数据结构用来代表所有格的数据，计算图中，操作间传递的数据都是tensor，你可以把他看做一个n维的数组或列表，一个tensor包含一个静态类型rank，和一个shape

 

变量Variable

变量维护图执行过程中 的状态信息。下面的例子将展示如何使用变量来生成一个简单的计数器

#!/usr/bin/env python import os os.environ['TF_CPP_MIN_LOG+LEVEL'] = '2' import tensorflow as tf # 创建一个变量，初始化为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'op 初始化 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))

代码assign（）和add（）一样，在调用run（）执行表达式之前，它并不会真正的执行赋值操作

通常会将一个统计模型中的参数表示为一组变量，例如，可以把一个神经网络的权重作为某个变量存储在tensor中。在训练过程中，通过重复的运行训练图来更新这个tensor

 

Fetch

为了取回操作的输出内容，可以在Session对象run()的调用执行图时，传入一些tensor，这些tensor会帮你取回结果。在之前的例子中，我们只取回了单个节点state，但是也可以取回多个tensor:

#!/usr/bin/env python import os os.environ['TF_CPP_MIN_LOG+LEVEL'] = '2' import tensorflow as tf input1 = tf.constant(3.0) input2 = tf.constant(2.0) input3 = tf.constant(5.0) intermed = tf.add(input2,input3) mul = tf.multiply(input1,intermed) with tf.Session() as sess: result = sess.run([mul,intermed]) print(result)

 

Feed

上述实例在计算图中引入了tensor，以常量或变量形式存储。TensorFlow还提供了feed机制，该机制可以临时替代图中任意操作中的tensor可以对图中任何操作提交补丁，直接插入一个tensor。

feed使用一个tensor值临时替换一个操作的输出结果。你可以提供feed数据作为run()调用的参数。feed只在调用它的方法内有效，方法结束，feed就会消失。最常见的用例是建构写特殊的操作指定为feed操作，标记的方法是使用tf.palceholder()为这些操作创建占位符

#!/usr/bin/env python import os os.environ['TF_CPP_MIN_LOG+LEVEL'] = '2' import tensorflow as tf input1 = tf.placeholder(tf.float32) input2 = tf.placeholder(tf.float32) output = tf.multiply(input1,input2) with tf.Session() as sess: print(sess.run([output],feed_dict={input1:[7.],input2:[2.]}))

最后一步中，如果没有正确提供feed，placeholder将会报错