TensorFlow编程基础

---

前言

简单记录一些TensorFlow1.x中的操作，主要记录TensorFlow2.x中张量的创建和运算。

---

一、TensorFlow1.x

（1）计算图：节点（操作）+边（关系），静态图
（2）节点：由属性操作，可与设备绑定，存在顺序关系（边）
（3）边：常规边（实线）：数据依赖关系；特殊边（虚线）：控制相关性

1.在2.x环境中运行1.x程序

import tensorflow.compat.v1 as tf
tf.disable_eager_execution()

2.定义计算图

a = tf.constant([[1,2],
                [3,4]], name = 'a')
b = tf.Variable([[5,6],
                [7,8]], name = 'b')
op = tf.add(a, b, name = 'op')

3.变量初始化

常量不需要初始化

init_op = b.initializer#单个变量
init_op = tf.global_variables_initializer()#所有变量

4.创建执行会话

（1）使用try、except捕捉异常，确保内存被释放

sess = tf.Session()
try:
    sess.run(init_op)
    result = sess.run(op)
except Exception as err:
    print(err)
finally:
    sess.close()

（2）使用上下文管理器，结束后释放资源

with tf.Session() as sess:
    sess.run(init_op)
    result = sess.run(op)

（3）指定默认会话

sess = tf.Session()
with sess.as_default():
    sess.run(init_op)
    result = op.eval()

或

sess = tf.Session()
sess.run(init_op)
op.eval(session=sess)

交互环境下

sess = tf.InteractiveSession()
sess.run(init_op)
result = op.eval()

初始化操作不是Tensor类型，没有eval()方法

5.占位符

变量由外部输入，数值未知（类似于函数参数）
tf.placeholder(dtype,shape=None,name=None)

a = tf.placeholder(dtype = tf.float32, name = 'a')
b = tf.placeholder(dtype = tf.float32, name = 'b')
c = tf.add(a, b, name = 'c')
d = tf.subtract(a, b, name = 'd')
feed_a = [[1,2],
          [3,4]]
feed_b = [[5,6],
          [7,8]]
with tf.Session() as sess:
    rc, rd = sess.run([c, d], feed_dict={a:feed_a, b:feed_b})#feed提交数据

6.TensorBoard可视化工具

通过TensorFlow日志文件可视化运行状态

tf.reset_default_graph()
logdir = 'G://log'

a = tf.constant([[1,2],
                [3,4]], name = 'a')
b = tf.Variable([[5,6],
                [7,8]], name = 'b')
init_op = b.initializer
op = tf.add(a, b, name = 'op')
with tf.Session() as sess:
    sess.run(init_op)
    result = sess.run(op)

write = tf.summary.FileWriter(logdir, tf.get_default_graph())
write.close()

在Anaconda Prompt中进入日志目录，运行TensorBoard

activate tensorflow2.4
g:
cd log
tensorboard --logdir=G:\log

在浏览器中访问网址

二、TensorFlow2.x

（1）动态图机制，立即执行
（2）keras标准API

1.Tensor类

tf.Tensor：张量，多维数据
属性：.ndim，.shape，.dtype
方法：.numpy()，.get_shape()

2.张量创建

（1）常量：tf.constant(value, dtype=None, shape=None, name=‘Const’)
（2）变量：tf.Variable(initial_value, dtype=None, shape=None, trainable=True, name=‘Variable’)
变量赋值：v.assign(v+1), v.assign_add(1), v.assign_sub(1)
（3）转化：tf.convert_to_tensor(数组/列表/数/布尔/字符串)
（4）改变类型：tf.cast(Tensor, dtype)
（5）全0：tf.zeros(shape, dtype=float32), 全1：tf.ones(shape, dtype=float32)
全val：tf.fill(shape, val)或tf.constant(val, shape)
（6）随机量：tf.random
设定种子值：.set_seed(s)
正态分布：.normal(shape, mean, stdder, dtype)
均匀分布：.uniform(shape, min, max, dtype)
打乱第一维：.shuffle(x)
（7）序列：tf.range(start, limit, delta=1, dtype)

3.维度变换

（1）改变维度：tf.reshape(Tensor, shape)
-1：缺省维度
（2）增加维度：tf.expand_dims(Tensor, axis)，新增维度长度为1
（3）删除维度：tf.squeeze_dims(Tensor, axis)，删除长度为1的维度
轴：维度：axis=0,1,2/-1,-2,-3
（4）交换维度：tf.transpose(Tensor, axis_list)
（5）拼接：tf.concat(Tensor_list, axis)
（6）分割：tf.split(Tensor, num_or_size_split, axis=0)
num_or_size_split：平均数目（如3）或各自长度（如[1,2,1]）
（7）堆叠：tf.stack(Tensor,_list axis)，创建新维度
（8）分解：tf.unstack(Tensor, axis)，削减维度

4.张量索引

（1）索引：a[0], a[0][0],a[0,0]
（2）切片：a[m:n:l],a[m1:m2,n1:n2]
（3）数据提取：
按轴采样：tf.gather(Tensor, index_list, axis)
按点采样：tf.gather_nd(Tensor, index_list)
（4）最值索引：tf.argmax(), tf.argmin()

5.张量运算

（1）逐元素运算
tf.add()/+, .substract()/-, .multiply()/*, .divide()//, .math.mod()/%
.pow()/**, .square(), .sqrt(), .exp(), .math.log()
.sign(), .abs(), .negative(), .ceil(), .floor(), .round(), maximum(), .minimum()
.cos(), .sin(), .tan(), .acos(), .asin(), .atan()
（2）与低维广播运算（最低维度相同）
（3）与numpy数组运算
（4）矩阵乘法：tf.matmul(a, b)或a@b
（5）统计运算：tf.reduce
_sum(Tensor, axis)
_mean(Tensor, axis)
_max(Tensor, axis)
_min(Tensor, axis)

---

总结

tf1.x需要创建并执行会话后才进行运算，静态提高效率；tf2.x动态执行，便于调试。指定低精度32位数据可提高计算速度。Tensor张量操作与numpy类似，也可先将Tensor转化为ndarray进行运算。