一、Tensorflow基本概念

　　1、使用圖（graphs）來表示計算任務，用於搭建神經網絡的計算過程，但其只搭建網絡，不計算

　　2、在被稱之為會話（Session）的上下文（context）中執行圖

　　3、使用張量（tensor）表示數據，用“階”表示張量的維度。關於這一點需要展開一下

0階張量稱為標量，表示單獨的一個數

1階張量稱為向量， 表示一個一維數組

2階張量稱為矩陣，表示一個二維數組

……

張量是幾階的可以通過張量右邊的方括號數來判斷。例如 t = [ [ [ ] ] ]，顯然這個為3階。

　　4、通過變量（Variable）維護狀態

　　5、使用feed和fetch可以為任意的操作賦值或者從其中獲取數據

　　Tensorflow是一個編程系統，使用圖（graphs）來表示計算任務，圖（graphs）中的節點稱之為op（operation），一個op獲得0個或者多個Tensor，執行計算，產生0個或多個Tensor，Tensor看作是一個n維的數組或列表。圖必須在會話（Session）裏被啟動。

二、tensorflow基本框架知識

1、會話

import tensorflow as tf  # 簡寫方便一點

# 創建兩個常量(constant)
m1 = tf.constant([[3, 3]])  #
 
 一行兩列的矩陣，這裏是矩陣乘法，所以是二維數組，註意書寫格式以及矩陣乘法規則 
m2 = tf.constant([[2], [3]])  # 兩行一列的矩陣

# 創建一個矩陣乘法(matmul)的op
product = tf.matmul(m1, m2)
print(product)

行會得到顯示結果，其中MatMul為節點名，0代表第0個輸出；shape是維度，（1，1）代表一行一列的張量，長度為1；dtype指數據類型為整型。

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

　　結果並不是想象中的是一個具體數字，而是一個Tensor，這是因為之前提到過 圖必須在會話中運行，現在我們並未使用會話，所以只能得到一個Tensor。

　　定義會話有兩種方法，一般使用第二種。

# method 1
sess=tf.Session()            # 將Session簡寫為sess
result=sess.run(product)     # 調用run方法執行圖，這個觸發了三個op(操作)，兩個常量的建立，矩陣的乘法
print(result)
sess.close()                 # 關閉會話

# method 2
with tf.Session() as sess:    # Session()後面的()因為代碼提示裏沒有，所以很容易丟  
    result=sess.run(product)
    print(result)             # with as的這種結構會自動關閉會話

運行顯示結果為

[[15]]

註意：Session() 經常會寫錯，大小寫問題和括號問題，都是典型錯誤，多加練習

2、變量

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

import tensorflow as tf

x=tf.Variable([1,2])    # 定義一個變量，這裏是張量的加減法，所以一維數組即可
a=tf.constant([3,3])    # 定義一個常量

sub=tf.subtract(x,a)    # 增加一個減法op
add=tf.add(x,sub)       # 增加一個加法op

init=tf.global_variables_initializer()   # 在tensorflow中使用變量要初始化，此條語句也可以初始化多個變量，這句代碼提示沒有(),多加練習

with tf.Session() as sess:
    sess.run(init)                       # 變量初始化，也要放在會話中，才能執行
    print(sess.run(sub))
    print(sess.run(add))

　運行將得到結果

[-2 -1]
[-1  1]

　　上述代碼展示了變量的定義和初始化，但還沒有體現變量的本質，下面一段代碼實現變量a進行5次+1的操作

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

a=tf.Variable(0,name=‘counter‘)        # 創建一個變量初始化為0，並命名為counter。（此段代碼中命名無作用）
new_value = tf.add(a,1)                # 創建一個加法op，作用是使state加1
update=tf.assign(a,new_value)          # 此句話是賦值op，在tensorflow中，賦值也需要對應的op
init=tf.global_variables_initializer() # 變量初始化
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(a))
    for i in range(5):                
        sess.run(update)
        print(sess.run(a))

　運行，顯示結果為

0
1
2
3
4
5

註意：初始化時，pycharm會代碼提示 tf.global_variables_initializer，但往往會把括號漏掉，需註意

常用的op現在除了加減乘除，還多了個assign()的賦值op

3、Fetch

　　sess.run([fetch1,fetch2]) 進行多個op，註意格式

import tensorflow as tf

input1 = tf.constant(3.0)
input2 = tf.constant(2.0)
input3 = tf.constant(5.0)

add = tf.add(input2,input3)
mul = tf.multiply(input1,add)

with tf.Session() as sess:
    result = sess.run([mul,add])       # 執行了兩個op，要註意格式
    print(result)

運行，結果顯示為

[21.0, 7.0]

　　這裏需要提一下tf.matmul()是用於矩陣乘法，tf.multiply是用於點乘。正如上面這段代碼的multiply

4、placeholder占位

　　定義變量時可先不輸入具體數值，先占位，在會話中調用op時，再輸入具體值。

import tensorflow as tf

input1 = tf.placeholder(tf.float32)      # 使用placeholder()占位，需要提供類型
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}))  # 以字典形式輸入feed_dict

　運行，顯示結果為

[ 16.]

占位多組數據以後再說在下一篇隨筆會提到。

　　以上就是一些比較基本的tensorflow概念的描述和代碼實現。

01煉數成金TensorFlow基本概念