TensorFlow (人工智能）

基本用法

• 构建图

  构建图的第一步是创建原算子。源算子不需要任何输入，例如常量。源算子的输出传递给其他算子做运算
  Python库中，算子构造器的返回值代表被构造出的算子的输出，这些返回值可以传递给其他算子作为输入

1. 简单实用

    import tensorflow as tf
    #构造器返回值代表常量算子的返回值
    matrix1 = tf.constant([[3., 3.]])
    #创建另外一个常量算子
    matrix2 = tf.constant([[2.],[2.]])
    #进行矩阵运算
    product = tf.matmul(matrix1,matrix2)
    #启动默认图
    sess = tf.Session()
    #触发图中三个算子的执行
    res = sess.run(product)
    print(res)
    #任务完成关闭会话
    sess.close()
   

2. 会话关闭方式

    with tf.Session() as sess:
    	res = sess.run([product])
   

3. 实用多个cpu或GPU等

    with tf.Session() as sess:
    	with tf.device("/gpu:1"):
    		....
   

   设备用字符串进行标识。目前支持的设备包括
   a. “/cpu:0”：机器的CPU
   b. “/gpu:0”：机器的第一个GPU
   c. “/gpu:1”：机器的第二个GPU

• 交互式实用

  为了便于使用诸如IPython之类的Python交互环境，可以使用InteractiveSession代替Session类，使用Tensor.eval()和Operation.run()方法代替Session.run()。这样可以避免使用一个变量来持有会话。

    import tensorflow as tf
    sess = tf.InteractiveSession()
    x = tf.Variable([1,2])
    a = tf.constant([3,3])
    x.initializer.run()
    ad = tf.add(x,a)
    print(ad.eval())
  

• 常量

1. tf.constant创建常量

    #原型：tf.constant(value,dtype=None,shape=None,name='Const',verify_shape=False)
    #直接使用numpy进行赋值
    import tensorflow as tf
    import numpy as np
    tensor = tf.constant(np.arange(12).reshape((2,6)))
    #使用tensorflow自带的方法
    tensor = tf.constant([1,2,3,3],shape=(2,2),name='matric')
    tensor = tf.constant([[1,2],[3,3]]name='matric')
   

2. tf.zeros创建常量

    tensor = tf.zeros((2,3),dtype=tf.float32,name=None)
    tensor = tf.ones((2,3),dtype=tf.float32,name=None)
   

3. 递增序列创建常量

    tensor=tf.linspace(start=1.,stop=10.,num=10,name=None)
    tensor=tf.range(10,delta=2,name=None)
    tensor=tf.range(1,10,delta=2)
   

4. 使用特殊分布常量

    tf.random_normal(shape,mean = 0,stddev = 1,dtype = tf.float32,seed = None,name = None)
    tf.truncated_normal(shape,mean = 0,stddev = 1,dtype = tf.float32,seed = None,name = None)
    tf.random_uniform(shape,minval = 0.0,maxval = 1.0,dtype = tf.float32,seed = None)：这个函数生成从0到1中平均分布的数值。   
    tf.random_shuffle(value,seed = None,name = None)：传入一个tensor，然后将这个rensor进行随机洗牌。
   

• 变量

1. 创建

   变量维护图执行过程中的状态信息，其必须先进行初始化才能使用，变量也可以进行分享和保存，变量部分主要有新建、初始化、保存与读取、分享、更新等几个部分

   两个常用的创建方法如下：

    a.tf.Variable(initial_value=None, trainable=True, collections=None,validate_shape=True, caching_device=None, name=None, variable_def=None, dtype=None, expected_shape=None, import_scope=None)
    b. tf.get_variable(name, shape=None, dtype=None, initializer=None, regularizer=None, trainable=True, collections=None, caching_device=None, partitioner=None, validate_shape=True, custom_getter=None)
   

   以下示例说明了两个方法的差异

    w_1 = tf.Variable(3,name="w_1")
    w_2 = tf.Variable(1,name="w_1")
    print(w_1.name)
    print(w_2.name)
    ##输出为：w_1:0与w_1_1:0
    w_1 = tf.get_variable(name="w_1",initializer=1)
    w_2 = tf.get_variable(name="w_1",initializer=2)
    ##此处报错
    with tf.variable_scope("scope1"):
    w1 = tf.get_variable("w1", shape=[])
    w2 = tf.Variable(0.0, name="w2")
    with tf.variable_scope("scope1", reuse=True):
        w1_p = tf.get_variable("w1", shape=[])
        w2_p = tf.Variable(1.0, name="w2")
    print(w1 is w1_p, w2 is w2_p)
    ##输出:True False
   

2. 初始化

   tensorflow中所有的变量在架构的时候都是一个框架，并没有具体的值，在初始化之后才有了具体的值。主要的初始化器如下：

   1）tf.variables_initilizer(var_list,name = “nint”) ：对指定的一个变量列表进行初始化
   2）tf.global_variables_initializer() ：对所有的变量进行初始化。
   3）tf.gloable_variables() ：显示图中所有的变量，包括可训练的和不可训练的变量。
   4）tf.trainable_variables() ：显示图中可训练的变量，除非创建变量时指定trainable=False，否则均为可训练的。返回的结果是一个变量的列表，变量名是在定义变量的时候命名的名字：name=xxx。如果定义变量时没有显示命名，那么列表中的变量名为：Variable:0 Variable_1:0 Variable_2:0 …………
   5）tf.assert_variables_initialized(var_list) 判断传入的变量列表是否已经初始化，如果还有没初始化的，就报错。

   注意：这里的初始化只是在计算图中定义了这样的一个节点，这个节点的运算是将变量进行初始化，所以在实际计算中，还是要调用seee.run(initializer),才能真正的完成初始化过程。

深度学习使用

• 基本使用

1. 导入模块

    import tensorflow as tf
    import numpy as np
    import matplotlib.pyplot as plt
   

2. 输入与输出

    x_data = np.linspace(-0.5,0.5,200).reshape((-1,1))
    noise = np.random.normal(0,0.02,x_data.shape)
    y_data = np.square(x_data)+noise
    x = tf.placeholder(tf.float32,[None,1])
    y = tf.placeholder(tf.float32,[None,1])
    Weight_L1 = tf.Variable(tf.random.normal([1,10]))
    baise_L1 = tf.Variable(tf.zeros([1,10]))
    Wx_plus_b_L1 = tf.matmul(x,Weight_L1)+baise_L1
    L1 = tf.nn.tanh(Wx_plus_b_L1)
    Weight_L2 = tf.Variable(tf.random_normal([10,1]))
    baise_L2 = tf.Variable(tf.zeros([1,1]))
    Wx_plut_b_L2 = tf.matmul(L1,Weight_L2)+baise_L2
   

3. 优化器

    predition = tf.nn.tanh(Wx_plut_b_L2)
    loss = tf.reduce_mean(tf.square(y-predition))
    train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
   

4. 运行代码

    with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for _ in range(3000):
        sess.run(train_step,feed_dict={x:x_data,y:y_data})
        
    predition_value = sess.run(predition,feed_dict={x:x_data})
    plt.figure()
    plt.scatter(x_data,y_data)
    plt.plot(x_data,predition_value)