简介

Tensorflow是一个深度学习框架，它使用图（graph）来表示计算任务，使用tensor（张量）表示数据，图中的节点称为OP，在一个会话（Session）的上下文中执行运算，最终产生tensor。

之所以用计算图来表示计算任务，Tensorflow的官网的一张图片就能很好的说明。

tensor在数学中称为张量，表示空间，在计算图模型中就是基本的数据类型，如同我们在sklearn等机器学习框架中使用numpy的矩阵作为基本运算的数据类型一样，无论几维的矩阵都是一个张量

神经网络的前向传播本质上就是一张计算图进行计算。相比其他术语，也许计算图能更好的说明机器学习的本质。

Tensorflow的基本变量

• tensor计算图谱的基本类型

  • tensor 张量
    • Variable 变量
    • Constant 常量
    • Placeholder 占位符
  • Graph 图
  • Session 会话

  Constant常量

  #tf.constant(value, dtype=None, shape=None,name="const")tf.constant(10)

  Variable变量

  import tensorflow as tftf.varialbe(tf.zeros([1]))

  故名思意这个量在图的运算中可以发生改变

  文档中的一个例子

state = tf.Variable(0, name="counter")# 创建一个 op, 其作用是使 state 增加 1one = 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` (init) op 初始化,# 首先必须增加一个`初始化` op 到图中.init_op = tf.initialize_all_variables()# 启动图, 运行 opwith 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) # 输出: # 0 # 1 # 2 # 3

Placeholder

这个是暂时未定义的一个tensor

在计算图运行时给予，类似函数的参数。

python

input1 = tf.placeholder(tf.float32)

计算图

Tensorflow的程序一般分为两个阶段，构建阶段和执行极端。一般，构建阶段会创建一个图，来表示神经网络，在执行阶段在反复执行训练图。

可以把图的构建看成定义一个复杂的函数。

构建图

import tensorflow as tfmatrix1 = tf.Constant([[3.,3]])matrix2 = tf.Constant([[2.],[2.]])product = tf.matmul(matrix1,matrix2)

启动图

python

sess = tf.Session()

result = sess.run(product)

# 运行图定义的product运算

print(result)

sess.close

#执行完毕后关闭会话

还有另一种方法会使用python的特性

python

with tf.Session() as sess:

result = sess.run([product])

print(result)

补充

Fetch取回

在sess的运算中不仅可以取回结果，还可以取回多个tensor，在神经网络中，我们可以取回中间层的结果

input1 = tf.constant(3.0)input2 = tf.constant(2.0)input3 = tf.constant(5.0)intermed = tf.add(input2, input3)mul = tf.mul(input1, intermed)with tf.Session() as sess:  result = sess.run([mul, intermed])  print result# 输出:# [array([ 21.], dtype=float32), array([ 7.], dtype=float32)]

sess.run()接受的参数是个列表，输出会输出这个列表中的值

Feed供给

有时训练过程中我们会执行增量训练，这时就会使用前面介绍的Placeholder()

input1 = tf.placeholder(tf.float32)input2 = tf.plaeholder(tf.float32)output = tf.mul(input1, input2)with tf.Session() as sess:    print(sess.run([ouput], feed_dict={input1:[7:],input2:[2.]})

参考资料：

TF-girls修炼指南