深度学习框架TensorFlow学习与应用（一）——基本概念与简单示例

TensorFlow基本概念

• 使用图（graphs）来表示计算任务
• 在被称之为会话（Session）的上下文（context）中执行图
• 使用tensor表示数据
• 通过变量（Variable）维护状态
• 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。

---

TensorFlow结构

---

创建图，启动图

import tensorflow as tf
#创建一个常量op
m1 = tf.constant([[3,3]])
#创建一个常量op
m2 = tf.constant([[2],[3]])
#创建一个矩阵乘法op，把m1和m2传入
product = tf.matmul(m1,m2)
print(product)

直接print会出现：

Tensor(“MatMul_1:0”, shape=(1, 1), dtype=int32)这是因为图必须在会话中执行。

所以继续：

#定义一个会话，启动默认图
sess=tf.Session()
#调用sess的run方法来执行矩阵乘法op
#run（product）触发了图中3个op
result=sess.run(product)
print(result)
sess.close()

得到结果：

[[15]]

也可以使用（就可以不用.close）：

with tf.Session() as sess:
    #调用sess的run方法来执行矩阵乘法op
    #run（product）触发了图中3个op
    result=sess.run(product)
    print(result)

---

变量

#1.
import tensorflow as tf
x=tf.Variable([1,2])
a=tf.constant([3,3])
#增加一个减法op
sub=tf.subtract(x,a)
#增加一个加法op
add=tf.add(x,sub)
#初始化所有变量
init=tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)#变量初始化操作
    print(sess.run(sub))
    print(sess.run(add))

得到：

[-2 -1]
[-1 1]

#2.
#创建一个变量初始化为零
state=tf.Variable(0,name='counter')
#创建一个op，作用是使state加1
new_value=tf.add(state,1)
#赋值op
update=tf.assign(state,new_value)
#变量初始化
init=tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(state))
    for _ in range(5):
        sess.run(update)
        print(sess.run(state))

得到：

0
1
2
3
4
5

---

Fetch and Feed

import tensorflow as tf
#Fetch  可以同时运行多个op
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])#运行两个op
    print(result)

得到：

[21.0, 7.0]

#Feed
#创建占位符
input1=tf.placeholder(tf.float32)
input2=tf.placeholder(tf.float32)
output=tf.multiply(input1,input2)
with tf.Session() as sess:
    #feed的数据以字典的形式传入
    print(sess.run(output,feed_dict={input1:[7.0],input2:[2.0]}))

得到：

[ 14.]

---

TensorFlow简单示例

import tensorflow as tf
import numpy as np
#使用numpy生成100个随机点
x_data=np.random.rand(100)
y_data=x_data*0.1+0.2

#构建一个线性模型
b=tf.Variable(0.)
k=tf.Variable(0.)
y=k*x_data+b

#二次代价函数
loss=tf.reduce_mean(tf.square(y_data-y))#误差的平方再求平均值
#定义一个梯度下降法来进行训练的优化器
optimizer=tf.train.GradientDescentOptimizer(0.2)#学习率设置为0.2
#最小化代价函数
train=optimizer.minimize(loss)

init=tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for step in range(201):#迭代201次
        sess.run(train)
        if step%20 ==0:#每20次打印出来数据
            print(step,sess.run([k,b]))

结果：

0 [0.053385686, 0.10005315]
20 [0.10320079, 0.19828629]
40 [0.10191195, 0.1989764]
60 [0.10114207, 0.19938858]
80 [0.10068219, 0.19963478]
100 [0.10040749, 0.19978184]
120 [0.1002434, 0.19986968]
140 [0.10014539, 0.19992216]
160 [0.10008686, 0.1999535]
180 [0.10005189, 0.19997223]
200 [0.10003098, 0.19998342]