初识tensorflow——目前最强大的深度神经网络工具

背景简介

机器学习是当前一大热门，涉及领域也十分广泛。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。tensorflow是一个基于数据流编程的符号数学系统，被广泛用于各类机器学习算法的编程实现，已然成为机器学习生态系统中的重要基石。

tensorflow概要

由Goole Brain开源， 设计初衷是加速机器学习的研究。2015年11月在GitHub上开源，2016年4月分布式版本，2017年发布了1.0版本，趋于稳定
Google希望让这个优秀的工具得到更多的应用，从整体上提高深度学习的效率

核心概念

TensorFlow中的计算可以表示为一个有向图（Directed Graph）
或者称为计算图（Computation Graph），其中每一个运算操作（operatin）将作为一个节点（node），计算图描述了数据的计算流程，也负责维护和更新状态(更新w参数)。用户通过python, c++, go, java语言设计这个数据计算的有向图，计算图的每一个节点可以有任意多个输入和任意多个输出，每一个节点描述了一种运算操作，节点可以算是运算操作的实例化（instance），计算图中的边里面流动（flow）的数据被称为张量（tensor），故而得名 TensorFlow。

TensorFlow 相关链接

TensorFlow官方网址：https://tensorflow.google.cn/

GitHub网址： github.com/tensorflow/tensorflow

模型仓库网址： github.com/tensorflow/models

支持语言

Python

C++

Go

Java

后端使用C++, CUDA

Google 大量成功项目

Android系统

Chromium浏览器

Go编程语言

JavaScript引擎V8

Protobuf数据交换框架

Bazel编译工具

OCR工具Tesseract

TensorFlow实现的算法可以在众多异构的系统上方便地移植，比如Android手机，iphone，
普通CPU服务器，大规模GPU集群

除了执行深度学习算法，TensorFlow还可以用来实现很多其他算法，包括线性回归，逻辑回归，随机森林等

TensorFlow建立的大规模深度学习模型应用场景也非常广，包括语音识别、自然语言处理、计算机视觉、机器人控制、信息抽取、药物研发、分子活动预测

学习tensorflow之前需要先有一定的编程和机器学习经验，可将其理解为学习机器学习的计算抽象框架。

模块的安装及导入

导入前需要先进行模块的安装

tensorflow的安装包括在cpu的安装和在gpu的安装，在Linux/Ubuntu系统中包括cpu的安装和在gpu上的安装，而在Mac OS X 系统中，从1.2版本开始，不再支持gpu的安装。tensorflow的安装包括以下几种方式：

• virtualenv （创建隔离容器，easily 排查安装问题）
• "本地"pip （最简单的安装方式）
• Docker （不用担心兼容性问题）
• 从源代码安装，更专业有单独的文档记录

首先需要在使用的环境中安装TensorFlow，TensorFlow 的 Ubuntu/Linux 安装分为 CPU 版本和 GPU 版本

（1）安装仅支持 CPU 的版本，直接安装如下：

              pip install tensorflow==1.13.1 

（2）安装支持 GPU 的版本的前提是已经安装了 CUDA SDK，直接使用下面的命令：

              pip install tensorflow-gpu==1.13.1 

安装完成后导入模块

              import tensorflow as tf

虽然对于大多数人来说，tensorflow的开发语言是python，但它并不是有一个标准的的python库。在理解上，tensorflow与html框架类似，tensorflow是一种用于表示某种类型的计算抽象的框架，目前主要用于神经网络的训练。

tensorflow的使用

查看tensorflow安装版本
__ version__ = pywrap_tensorflow.__ version__

import tensorflow
print(tensorflow.__version__)

tf.Session( ) 和tf.InteractiveSession( )

区别在于：tf.InteractiveSession()加载它自身作为默认构建的session，它能让你在运行图的时候，插入一些计算图，这些计算图是由某些操作构成的。
tensor.eval()和operation.run()取决于默认的session.需要启动session之前构建整个计算图，然后启动该计算图。
换句话说：InteractiveSession 输入的代码少，原因就是它允许变量不需要使用session就可以产生结构，使用InteractiveSession来构建会话的时候，我们可以先构建一个session再定义操作，而使用tfsession( )来构建会话，我们需要在会话构建之前定义好全部的操作，再构建会话。

以 f = x^2*y+y+2为例，进行使用方法的展示。

tf.Session()

下面这几个是等价的：

sess = tf.InteractiveSession()
sess = tf.Session()
with sess.as_default():
with tf.Session() as sess:

使用方法一：调用session后并关闭会话。

tensorflow的安装包括cpu安装和gpu安装，运行安装的设备也可根据需要进行选择，可选择默认和进行设备指定。
TensorFlow程序可以通过tf.device函数来制定运行每一个操作的设备，这个设备可以是本地的CPU或GPU，也可以是某一台远程的服务器。
TensorFlow会给每一个可用的设备一个名称，tf.device函数可以通过设备的名称，来指定运算的设备，比如CPU在TensorFlow中的名称为/cpu:0。在默认情况下，即使机器有多个CPU，TensorFlow也不会区分它们，所有的CPU都是用/cpu:0作为名称。
而一台机器上不同GPU的名称是不同的，第n个GPU在TensorFlow中的名称为/gpu:n，比如第一个GPU的名称为/gpu:0,第二个GPU名称为/gpu:1，以此类推。
TensorFlow提供了一个快捷的方式，来查看运行每一个运算的设备，在生成会话时，可以通过设置log_device_placement参数来打印运行每一个运算的设备。除了可以看到最后的计算结果之外，还可以看到类似“add: /job:localhost/replica:0/task:0/cpu:0“这样的输出，这些输出显示了执行每一个运算的设备。比如加法操作add是通过CPU来运行的，因为它的设备名称中包含了/cpu:0。在配置好GPU环境的TensorFlow中，如果操作没有明确的指定运行设备，那么TensorFlow会优先选择GPU。

对x指定cpu设备：

with tf.device('/cpu:0'):
	x= tf.Variable(3,name='x')

对y选择默认设备

y = tf.Variable(4,name='y')

tf.Variable 生成的变量，每次迭代都会变化，这个变量就是要去计算的结果，所以要计算什么，就把什么定义为Variable

f= x*x*y +y +2

启动默认图，创建一个计算图的上下文环境
记录设备指派情况：config=tf.ConfigProto(log_device_placement=True；log_device_placement:具体过程在哪里执行把他打印出来

sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))

调用sess的run( )方法来执行op，传入参数，进行设备初始化

//整个执行过程是自动化的, 会话负责传递 op 所需的全部输入. op 通常是并发执行的.
sess.run(x.initializer)  //初始化
sess.run(y.initializer)
result = sess.run(f)  //调用run方法（碰到session.run()就会立刻去调用计算）
print(result)  //返回值 'result' 是一个 numpy `ndarray` 对象

任务完成，一定不要忘记关闭会话

sess.close()

使用方法二:封装session

在with块内部，session被设置为默认的session

import tensorflow as tf
x= tf.Variable(3,name='x')
y = tf.Variable(4,name='y')
f= x*x*y +y +2

with tf.Session() as sess:
    x.initializer.run()  // 等价于 tf.get_default_session().run(x.initializer)
    y.initializer.run()
    result = f.eval()  // 等价于 tf.get_default_session().run(f)
    print(result)

使用方法三：用一句话表示所有的初始化

可以不分别对每个变量去进行初始化，并不立即初始化，在run运行的时候才初始化

import tensorflow as tf
x= tf.Variable(3,name='x')
y = tf.Variable(4,name='y')
f= x*x*y +y +2
#用一句话表示所有的初始化
init = tf.global_variables_initializer()

with tf.Session() as sess:
    init.run()
    result = f.eval()
print(result)

tf.InteractiveSession( )

InteractiveSession 自动设置它自己为默认的session

import tensorflow as tf

"""
构建阶段
"""
x= tf.Variable(3,name='x')
y = tf.Variable(4,name='y')
f= x*x*y +y +2

init = tf.global_variables_initializer()

"""
执行阶段
"""
sess =tf.InteractiveSession()
init.run()
result =f.eval()
print(result)
sess.close()

TensorFlow程序会典型的分为两部分，第一部分是创建计算图，叫做构建阶段，这一阶段通常建立表示机器学习模型的计算图，和需要去训练模型的计算图。第二部分是执行阶段，执行阶段通常运行Loop循环重复训练步骤，每一步训练小批量数据，逐渐的改进模型参数。