TensorFlow入门（一）
下面是我在学习的过程中做的一些笔记和总结，一方面，方便自己更好的进行学习，同时放在网络上面，是因为我本身是非计算机专业的，因为之前所学的专业不是很感兴趣，后来自学计算机，在一开始的时候，四处碰壁，也是在网络上面看了好多人的video tutorial & blogs，大家都愿意把它们免费的分享出来，我也从中得到了很多无私的帮助，现在，我把自己的学习笔记贴出来，也希望能够为机器学习入门小白Or像我一样非计算机专业出身的人提供一丝丝的帮助.
-----------------------------------------------------------------------------------------------
深度学习有很多主流的开源工具，每款都各有自己的特点，这里主要是针对tensorflow, 具体原因我就不在这解释了，大家可以根据自己的喜好去选择自己喜欢的工具，现在比较主流的有caffe、theano、pytorch等将近十款，此外，百度现如今也推出了自己的深度学习工具paddlepaddle，至于有什么优点，哈哈，我也不知道，感兴趣的可以去尝试一下。（After all,the domestic）
-----------------------------------------------------------------------------------------------
Tensorflow是谷歌2015年11月9日正式开源的计算框架。它可以很好的支持深度学习的各种算法，但它的应用也不仅限于深度学习。（知道就可以），tensorflow主要支持python和c++语言,但毕竟可以说python现已成为用于深度学习最热门的语言，所以下面的内容，都是基于python语言的。
------------------------------------------------------------------------------------
大家如果之前没有接触过tensorflow,第一眼见它，就会误以为与流体力学相关，事实并非如此，究竟什么是tensorflow呢，在这里按着我的理解，通俗得解释一下： 深度学习实质上就是数学计算，tensorflow作为深度学习的工具，自然Google将其设计的目的就是帮助我们进行深度学习的相关计算(暂且这么认为，实际上tensorflow的功能远远不止如此.......这么讲可能不太准确，目的是帮助形象化的理解).
tensorflow可以理解为：tensor(张量)+flow(流)
tensor呢，就是在tensorflow中进行计算的数据的形式，在这，可以简单的把它理解为多维数组：（当维度等于0时，也就是常数，例如a = 5. 维度为1时，一维数组，也就是向量的形式，a = [1,2,3]. 维度为2时，二维数组，a = [[2,3,4],[3,4,5]] 维度为还可以为3、4、5.........n).
flow(流)，就是数据之间进行计算的转化过程.
这里先记住这两个概念，通过下面的学习，你将会清楚的明白.
------------------------------------------------------------------------------------
1、Tensorflow的计算模型——计算图
这里先入为主的将计算图摆在这，刚才我们说了，tensorflow可以用来深度学习的相关计算，那计算图又是什么鬼呢？？？在tensorflow中，所有的计算都会被转化为上面计算图的节点，上述求解的流程，也就是flow的概念。下面我们用代码来实现它()
[1]import tensorflow as tf
#在python中用这个语句载入tensorflow.其实我的理解就是：就是用tf来代替tensorflow，这样做的目的就是让代码变得简洁一些。
[2]a = tf.constant(3.0)
[3]b = tf.constant(4.5)
[4]result1 = tf.add(a,b)
[5]c = tf.constant(3.0)
[6]result2 = tf.multiply(c,result1)
print(result1)
print(result2)
在上面的[1]-[6]代码中,张量中并没有真正的保存数字，它保存的是如何得到这些计算的过程。例如我们运行上面的程序，并不会得到加法和乘法的结果，而只是得到一个对结果的引用。
上述的计算图在这里就有一个很好的解释，tf.consant(), tf.add(), tf.multiply()都表示计算，上面的从上到下，两个蓝色圆圈代表赋值计算，并将结果保存在变量a 和 b 中，绿色框框代表加法计算，将结果保存在result1中，下面这个蓝色圆圈优势一个赋值计算，计算结果保存在变量c中，接着，绿色框框代表乘法计算，然后输出，实际上，tensorflow的计算，并不是实际的数字，而是我上面描述的这个结构和流程。
在这个计算过程中，tf会自动将定义的计算转化为图上的节点，在tensorflow的程序中，系统会自动维护一个默认的图，好奇的同学可能会问，为什么是默认的，其实也就是在tf 的库中，所存在的图模型已经足够我们用来进行任何的计算，所以不需要我么自己去生成图啦(当然这也基本上是不可能的事）。又有好奇的同学会问，图在哪呢，我怎么看不见，哈哈，老实的讲，我也在纠结这个问题，我目前不清楚是不是可以通过tensorboard能够将图显示出来，后面深入学习之后，会进行补充和更改。但在这里，我们可以通过tf.get_default_graph函数获取当前系统默认的计算图：
[1]print(a.graph is tf.get_default_graph())-----------------------------------------------------------------------------------------
tensorflow的运行模型——会话
会话的作用是执行定义好的计算，会话拥有并管理程序运行时的所有资源，这里的资源可以理解为，张量，变量或者运行程序时所需要的队列资源等等。在运算完成之后还要对资源进行回收。
会话模式主要分为一下两种：
sess = tf.Session() #创建一个会话
sess.run() #使用这个会话来运行计算
sess.close() #关闭会话，防止资源泄漏with tf.Session() as sess: #创建一个会话，这里采用的是python的上下文管理模式，优点就是，当上下文退出时，会话自动关闭，资源自动释放
sess.run() #使用会话来计算从上面的两种方式，我们可以看到，第二种操作起来，更为简洁，安全可靠，所以通常 采取第二种方式。至于python的上下文管理器可以自己去了解。
------------------------------------------------------------------------------------------------------------
有的同学可能会问，tensorflow为什么采用计算图的方式呢？我目前想到两种我认为可能的原因：
第一、利用计算图的方式可以更加结构化的体现计算过程，就像我们中学时期学的流程图，这个过程实际上也是我们人脑在计算的时候会发生的。比如计算5+2x3的时候，实际上 我们的确是先计算出2x3的中间值，然后再让5加上这个中间值。就是这样的一个流程。
第二、这种结构，很利于我们提取中间某些节点的结果。按照这个图的流程结构，当我们计算复杂的计算时，例如：(a-e)*f+(b+c)*d，我们同时可以提取去中间运算产生的值。相反如果直接一下子算出来的是式子的答案，如果要得到中间某一个值，还得重新计算一次前面的几步。这样就会比较麻烦。
------------------------------------------------------------------------------------------------------------
----------------------------------------------------------------------------------------------------------------------------------
| Options : History : Feedback : Donate | Close |