深度学习之Tensorflow

深度学习介绍

（1）介绍：

深度学习，如深度神经网络、卷积神经网络和递归神经网络已被应用
计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域
并获取了极好的效果。

（2）深度学习框架

Tensorflow

（1）认识Tensorflow

（2）Tensorflow特点

1. 真正的可移植性
   引入各种计算设备的支持包括CPU/GPU/TPU，以及能够很好地运行在移动端，
   如安卓设备、ios、树莓派等等
2. 多语言支持
   Tensorflow 有一个合理的c++使用界面，也有一个易用的python使用界面来构建和
   执行你的graphs，你可以直接写python/c++程序。
3. 高度的灵活性与效率
   TensorFlow是一个采用数据流图（data flow graphs），用于数值计算的开源软件库
   能够灵活进行组装图，执行图。随着开发的进展，Tensorflow的效率不算在提高
4. 支持 TensorFlow 由谷歌提供支持，谷歌投入了大量精力开发 TensorFlow，它希望 TensorFlow 成为机器学习研究人员和开发人员的通用语言

（3）tensorflow安装

1. conda创建一个新的python环境conda create -n name python==3.6
2. 激活环境activate name
3. 在该环境下下载tensorflowconda install -n name tensorflow==1.15.0
4. pycharm下使用该环境即可

（4）tensorflow初体验

tensorflow实现加法运算：

import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
import tensorflow as tf

# 实现一个加法运算
a = tf.constant(5.0)
b = tf.constant(6.0)
sum1 = tf.add(a,b)
print(sum1)  # Tensor("Add:0", shape=(), dtype=float32)

with tf.Session() as sess:
    print(sess.run(sum1))  # 11.0

运行结果：

（5）分析

1. 数据流图：
   
   其中：
   tensor：张量【一种数据类型】
   operation（op）：专门运算的操作节点，所有操作都是一个op
   graph（图）：你的整个程序的结构
   
   （6）tensorflow进阶
   1、图
   2、会话
   3、张量
   4、变量
   5、模型保存和加载
   6、自定义命令行参数

1、图（op+tensor）

图默认已经注册，一组表示 tf.Operation计算单位的对象和tf.Tensor
表示操作之间流动的数据单元的对象

（1）获取调用

1、tf.get_default_graph()
2、op、sess或者tensor 的graph属性

（2）图的创建

tf.Graph()

使用新创建的图

g = tf.Graph() 
with g.as_default(): 
    a = tf.constant(1.0) 
    assert c.graph is g

（3）哪些是op

（4）举例

import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
import tensorflow as tf
# 创建一张图包含了一组op和tensor，上下文环境
# op：只要使用tensorflow的API定义的函数都是op
# 张量：就指代的是数据
g = tf.Graph()
print(g) # 
with g.as_default():
    c = tf.constant(11.0)
    print(c.graph) # 
# 实现一个加法运算
a = tf.constant(5.0)
b = tf.constant(6.0)
sum1 = tf.add(a,b)
# print(sum1)  # Tensor("Add:0", shape=(), dtype=float32)
# 默认的这张图，相当于是给程序分配一段内存
graph = tf.get_default_graph()
print(graph)  # 
with tf.Session() as sess:
    print(sess.run(sum1))  # 11.0
    print(a.graph)
    print(sum1.graph)
    print(sess.graph) # 
    # 这些都是一张图，都在一个地址

2、会话

（1）作用：

1. 运行图的结构
2. 分配资源计算
3. 掌控资源（变量的资源，队列，线程）

（2）使用：

# 只能运行一个图,可以在会话当中指定图去运行
with tf.Session(graph=g) as sess:
    print(sess.run(c))  # 11.0

运行TensorFlow操作图的类，使用默认注册的图（可以指定运行图）

sess = tf.Session()     
sess.run(...)      # 会话的启用，启动整个图 
sess.close()        # 进行资源释放

使用上下文管理器：（默认结束时运行sess.close()）

with tf.Session() as sess: 
	sess.run(...)

打印设备：

config=tf.ConfigProto(log_device_placement=True)

with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:
    print(sess.run(sum1))  # 11.0

交互式：tf.InteractiveSession()

sess.run(sum1)  ==  sum1.eval()
# 只要有会话的上下文环境，就可以使用方便的eval()

（3）会话里的run()方法(会话的启动)

run(fetches, feed_dict=None,graph=None)

其中：

1. fetches：嵌套列表，元组，namedtuple，dict或OrderedDict(重载的运算符也能运行)

# 不是op不能放入会话的run方法运行
var1 = 1
var2 = 3
sum2 = var1+var2

# 有重载的机制,默认会给运算符重载成op类型
sum3 = var1+a # 呗重载成op类型
with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:
	print(sess.run([sum1,a,b]))  # op元组类型
    print(sess.run(sum2))  # 报错，不是op类型
    print(sess.run(sum3))

2. feed_dict：允许调用者覆盖图中指定张量的值,提供给placeholder使用（语法：placeholder提供占位符，run时候通过feed_dict指定参数）
   意义：在程序执行的时候,不确定输入的是什么，提前“占个坑”

# 训练模型
# 实时的提供数据进行训练
# placeholder是一个占位符,feed_dict一个字典
plt = tf.placeholder(tf.float32,[None,3])
print(plt)
with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:
    print(sess.run(plt,feed_dict={plt:[[1,2,3],[4,5,6]]}))

3. graph：指定图去运行

# 只能运行一个图,可以在会话当中指定图去运行
with tf.Session(graph=g) as sess:
    print(sess.run(c))  # 11.0

4. 返回值异常：
   RuntimeError：如果它Session处于无效状态（例如已关闭）。
   TypeError：如果fetches或feed_dict键是不合适的类型。
   ValueError：如果fetches或feed_dict键无效或引用 Tensor不存在

3、张量

张量：相当于numpy中的ndarray数组

（1）张量的阶（维度）
（2）张量的数据类型

（3）张量的属性

1. graph ： 张量所属的默认图
2. op ：张量的操作名
3. name ： 张量的字符串描述
4. shape ： 张量形状

with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:
    print(sess.run(plt,feed_dict={plt:[[1,2,3],[4,5,6]]}))
    print(a.graph)
    print("---------")
    print(a.shape)
    print(plt.shape)
    print("--------")
    print(a.name)
    print("-------")
    print(a.op)

（4）张量的动态形状与静态形状

区别：在于有没有生成一个新的张量数据

TensorFlow中，张量具有静态形状和动态形状

静态形状：
创建一个张量或者由操作推导出一个张量时,初始状态的形状
tf.Tensor.get_shape:获取静态形状
tf.Tensor.set_shape():更新Tensor对象的静态形状，通常用于在不能直接推断的情况下

注意：对于静态形状来说，一旦张量形状固定了，不能再次设置静态形状，不能跨维度修改 1D->1D,2D->2D

动态形状：
一种描述原始张量在执行过程中的一种形状
tf.reshape:创建一个具有不同动态形状的新张量

注意：动态形状可以去创建一个新的张量,改变时候一定要注意元素数量要匹配 1D->2D,1D->3D

要点：1、转换静态形状的时候，1-D到1-D，2-D到2-D，不能跨阶数改变形状
2、 对于已经固定或者设置静态形状的张量／变量，不能再次设置静态形状
3、tf.reshape()动态创建新张量时，元素个数不能不匹配

plt = tf.placeholder(tf.float32,[None,2])
print(plt)
plt.set_shape([3,2])
print(plt)
# plt.set_shape([4,2])  # 不能再次修改
plt_reshape = tf.reshape(plt,[2,3])
print(plt_reshape)

（4）张量的操作

1. 生成固定值张量
   

tf.InteractiveSession()  # 开启交互式会话
zero = tf.zeros([3,4],tf.float32)
print(zero.eval())  # 只要有会话的上下文环境，就可以使用方便的eval（）

2. 生成随机值张量
   
   其中：mean为期望平均值，stddev为标准差

random = tf.random_normal([3,4],mean=4,stddev=0.2,dtype=tf.float32)
print(random.eval())

正态分布：

3. 张量变换
（1）改变类型

（2）形状和变换

（3）切片和拓展

a = [[1,2,3],[4,5,6]]
b = [[4,5,6],[7,8,9]]
c = tf.concat([a,b],axis=0)
print(c.eval())
d = tf.concat([a,b],axis=1)
print(d.eval())

（4）提供给Tensor运算的数学函数

https://www.tensorflow.org/versions/r1.0/api_guides/python/math_ops