Tensorflow学习:(一)tensorflow框架基本概念

一、Tensorflow基本概念

  1、使用图(graphs)来表示计算任务,用于搭建神经网络的计算过程,但其只搭建网络,不计算

  2、在被称之为会话(Session)的上下文(context)中执行图

  3、使用张量(tensor)表示数据,用“阶”表示张量的维度。关于这一点需要展开一下

             0阶张量称为标量,表示单独的一个数

            1阶张量称为向量, 表示一个一维数组

            2阶张量称为矩阵,表示一个二维数组

            ……

            张量是几阶的可以通过张量右边的方括号数来判断。例如 t = [ [ [    ] ] ],显然这个为3阶。

  4、通过变量(Variable)维护状态

  5、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个或者多个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。

二、tensorflow基本框架知识

1、会话

1 import tensorflow as tf     # 简写方便一点
2 
3 # 创建两个常量(constant)
4 m1=tf.constant([[3,3]])     #一行两列的矩阵,这里是矩阵乘法,所以是二维数组,注意书写格式以及矩阵乘法规则
5 m2=tf.constant([[2],[3]]) #两行一列的矩阵 6 7 # 创建一个矩阵乘法(matmul)的op 8 product=tf.matmul(m1,m2) 9 print(product)

  运行会得到显示结果,其中MatMul为节点名,0代表第0个输出;shape是维度,(1,1)代表一行一列的张量,长度为1;dtype指数据类型为整型。

Tensor("MatMul:0", shape=(1, 1), dtype=int32)

  结果并不是想象中的是一个具体数字,而是一个Tensor,这是因为之前提到过 图必须在会话中运行,现在我们并未使用会话,所以只能得到一个Tensor。

  定义会话有两种方法,一般使用第二种。

1 # method 1
2 sess=tf.Session()            # 将Session简写为sess
3 result=sess.run(product)     # 调用run方法执行图,这个触发了三个op(操作),两个常量的建立,矩阵的乘法
4 print(result)
5 sess.close()                 # 关闭会话
1  # method 2
2 with tf.Session() as sess:    # Session()后面的()因为代码提示里没有,所以很容易丢 3     result=sess.run(product)
4     print(result)             # with as的这种结构会自动关闭会话

运行显示结果为

[[15]]

注意:Session() 经常会写错,大小写问题和括号问题,都是典型错误,多加练习

 2、变量

  上文常量使用tf.constant()表示,变量是用tf.Variable()表示

 1 import tensorflow as tf
 2 
 3 x=tf.Variable([1,2])    # 定义一个变量,这里是张量的加减法,所以一维数组即可
 4 a=tf.constant([3,3])    # 定义一个常量
 5 
 6 sub=tf.subtract(x,a)    # 增加一个减法op
 7 add=tf.add(x,sub)       # 增加一个加法op
 8 
 9 init=tf.global_variables_initializer()   # 在tensorflow中使用变量要初始化,此条语句也可以初始化多个变量,这句代码提示没有(),多加练习
10 
11 with tf.Session() as sess:
12     sess.run(init)                       # 变量初始化,也要放在会话中,才能执行
13     print(sess.run(sub))
14     print(sess.run(add))

  运行将得到结果

[-2 -1]
[-1  1]

  上述代码展示了变量的定义和初始化,但还没有体现变量的本质,下面一段代码实现变量a进行5次+1的操作

        值得一提的是,在打印常量和变量时,不能像python中的直接print(a),而是也需要放在sess.run()中。

 1 a=tf.Variable(0,name='counter')        # 创建一个变量初始化为0,并命名为counter。(此段代码中命名无作用)
 2 new_value = tf.add(a,1)                # 创建一个加法op,作用是使state加1
 3 update=tf.assign(a,new_value)          # 此句话是赋值op,在tensorflow中,赋值也需要对应的op
 4 init=tf.global_variables_initializer() # 变量初始化
 5 with tf.Session() as sess:
 6     sess.run(init)
 7     print(sess.run(a))
 8     for i in range(5):                
 9         sess.run(update)
10         print(sess.run(a))

  运行,显示结果为

0
1
2
3
4
5

 注意:初始化时,pycharm会代码提示 tf.global_variables_initializer,但往往会把括号漏掉,需注意

            常用的op现在除了加减乘除,还多了个assign()的赋值op

 3、Fetch

  sess.run([fetch1,fetch2]) 进行多个op,注意格式

 1 import tensorflow as tf
 2 
 3 input1 = tf.constant(3.0)
 4 input2 = tf.constant(2.0)
 5 input3 = tf.constant(5.0)
 6 
 7 add = tf.add(input2,input3)
 8 mul = tf.multiply(input1,add)
 9 
10 with tf.Session() as sess:
11     result = sess.run([mul,add])       # 执行了两个op,要注意格式
12     print(result)

  运行,结果显示为

[21.0, 7.0]

  这里需要提一下tf.matmul()是用于矩阵乘法,tf.multiply是用于点乘。正如上面这段代码的multiply

4、placeholder占位

  定义变量时可先不输入具体数值,先占位,在会话中调用op时,再输入具体值。

import tensorflow as tf

input1 = tf.placeholder(tf.float32)      # 使用placeholder()占位,需要提供类型
input2 = tf.placeholder(tf.float32)
output = tf.multiply(input1,input2)

with tf.Session() as sess:
    print(sess.run(output,feed_dict={input1:8.0,input2:2.0}))  # 以字典形式输入feed_dict

  运行,显示结果为

[ 16.]

       占位多组数据以后再说在下一篇随笔会提到。

 

  以上就是一些比较基本的tensorflow概念的描述和代码实现。

    本人初学者,有错误欢迎指出。感谢。

    原文作者:tensorflow
    原文地址: https://www.cnblogs.com/wanyu416/p/8954098.html
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞