Tensorflow学习：基本概念

一、Tensorflow基本概念

　　1、使用图（graphs）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表示数据

　　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、Python代码实现基本概念

　　1、创建并运行图

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
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

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

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]]

　　2、变量

 1 import tensorflow as tf
 2
 3 x=tf.Variable([1,2])    # 定义一个变量
 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
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state进行5次+1的操作

 1 state=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(state,1)                # 创建一个加法op，作用是使state加1
 3 update=tf.assign(state,new_value)          # 此句话是赋值op，在tensorflow中，赋值也需要对应的方法
 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(state))
 8     for _ in range(5):                     # Python中对于无需关注其实际含义的变量可以用_代替，这就和for i in range(5)一样，因为这里我们对i并不关心，所以用_代替仅获取值而已。
 9         sess.run(update)
10         print(sess.run(state))

　　运行，显示结果为

0
1
2
3
4
5

　　3、Fetch

　　所谓fetch就是进行多个op，下一段代码 sess.run中就执行了两个op

 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]

　　4、Feed

　　feed的含义就是先不输入具体数值，先用占位方法占位，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.],input2:[2.]}))  # 要使用feed，则需要在调用run()时，除了输入op，还需要以字典形式输入feed_dict

　　运行，显示结果为

[ 16.]

　　以上就是一些比较基本的tensorflow概念的描述和代码实现

　　ps:本人初学者，有错误欢迎指出。感谢。

原文地址：https://www.cnblogs.com/wanyu416/p/8954098.html