Python之TensorFlow的基本介绍-1

一、™ 是一个基于数据流编程（ ）的符号数学系统，广泛用于各种机器学习（ ）算法的编程实现。它的前身是谷歌的神经网络算法库。

　　TensorFlow：
        神经网络（深度）
            图像：卷积神经网络
            自然语言处理：循环神经网络
        特点：
            引入各种计算设备（CPU/GPU/TPU）,以及能够很好的运行在移动端。
            合理的C++使用界面，易用的Python使用界面来构造个执行你的graphs，可以直接写Python/C++程序
            采用数据流图（data flow graphs）,用于数值计算的开源库，能够灵活的组装图，执行图
            谷歌支持，希望成为通用语言
        前后端系统：
            前端系统：定义程序图的机构
            后端系统：运算图结构
        会话：
            1、运算图的结构
            2、分配资源计算
            3、掌握资源（变量的资源，队列，线程）

二、我们已经介绍了在人工智能领域可以做些什么。下面将主要介绍一些常见的概念。

1）张量（）：

　　tensor（张量）:
        一个类型化的N维数组
        三部分：
            名字、形状、数据类型
        阶：和数组的维度类似
        属性：
            graph：张量的默认图
            op：张量的操作名
            name：张量的字符串描述
            shape：张量的形状
        动态形状和静态形状：
            动态形状：（动态形状,创建一个新的张量并且数据量大小不变）
                一种描述原始张量在执行过程中的一种形状（动态变化）
                tf.reshape(和numpy类似)，创建一个具有不同形态的新张量
            静态形状：（静态形状，一旦张量固定，不能再次设置静态形状，不能夸维度修改）
                创建一个张量，初始的形状
                tf.get_shape():获取静态形状
                tf.set_shape():更新对象的静态形状。通常用于不能推断的情况下
        张量操作：
            固定值张量：
                tf.zeros(shape, dtype, name)
                tf.ones()
                tf.constant()
            随机张量：（正太分布）
                tf.random_normal(shape, mean, stddev, dtype, seed, name)
                mean: 平均值
                stddev: 标准差
            类型变换：
                tf.cast(x, dtype, name)
            形状变换：
                tf.reshape()
                tf.get_shape()
                tf.set_shape()
            切片与扩展：
                tf.concat(values, axis, name)
        google提供的数据运算：
            地址：https://tensorflow.google.cn/api_docs/python/tf/math

2）变量（）：

　　变量：
        也是一种op，是一种特殊的张量，能够进行储存持久化，它的值就是张量，默认被训练
        tf.Variable(initial_value, name, trainable)
        注：
            1、变量op能够持久化保存，普通张量不行
            2、当定义一个变量op的时候，一定要在会话中取运行初始化
            3、name参数：在tensortboard使用的时候展示名字，可以让相同op名字进行区分

3）数据流图（Graph）：

数据流图：
        tensor：张量（numpy中的数组，ndarray类型然后封装为tensor），简而言之，就是数组
        operation（op）：专门运算的操作节点，所有操作都是一个op
        图：你的这个程序架构
        会话：运算程序的图

此处介绍了 OP 对上述张量和变量的解释。

4）会话（）：

构建 tf.Graph 时，向图中添加节点和边对象不会触发计算。图构建完成后，计算部分分配给 tf. 用于计算。

tf。拥有物理资源，通常在with代码块中使用，离开代码块后释放资源。创建一个 tf. 如果没有 with 块，您应该在会话完成时显式调用 tf..close 以结束进程。

通过调用 .run 创建的中间张量在调用结束时或之前被释放。tf..run 是运行节点对象和评估张量的主要方式。tf..run 需要指定 fetch 并提供一个 feed 字典。用户还可以指定其他选项来监控会话的运行。

5） 可视化（）：

　　可视化tensorboard：
        通过读取TensorFlow事件文件来运行
        tf.summary.FileWriter(path, graph)
        读取（cmd中执行）：tensorboard --logdir "path"

三、简单例子

import tensorflow as tf
a = tf.constant(5.0)
b = tf.constant(4.0)
sum = tf.add(a, b)
# 默认的这张图，相当于一块内存
graph = tf.get_default_graph()
print(graph)
# 只能运行一个图
with tf.Session() as sess:
    print(sess.run(sum))
# 图的创建
# 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
# tensor：指数数据
g = tf.Graph()
with g.as_default():
    c = tf.constant(12.0)
    # 有重载机制（默认给运算符重载成op类型）
    d = c + 1.0
print(g)
# 可以在会话中指定运行
# config:
#   log_device_placement: 查看运行设备信息
with tf.Session(graph=g, config=tf.ConfigProto(log_device_placement=True)) as sess:
    print(sess.run(c))
    # eval:只有在会话上下文才可以使用
    print(d.eval())
    # 占位符
    plt = tf.placeholder(tf.float32, [None, 3])
    print(plt)
    # 静态形状，一旦张量固定，不能再次设置静态形状，不能夸维度修改
    plt.set_shape([2, 3])
    print(plt)
    # 动态形状,创建一个新的张量并且数据量大小不变
    plt_reshape = tf.reshape(plt, [3,2])
    print(plt_reshape)
    print(sess.run(plt, feed_dict={plt: [[1,2,3], [4,5,6]]}))
    print("*" * 20)
    print(d.graph)
    print("-" * 20)
    print(d.op)
    print("-" * 20)
    print(d.name)
    print("-" * 20)
    # 形状表示维度大小，如果是（）表示0维，?代表不确定
    print(d.shape)
    print("*" * 20)
# 变量
e = tf.constant(1.0, name="e")
f = tf.constant(2.0, name="f")
g = tf.add(e, f, name="g")
var = tf.Variable(tf.random_normal([2,3], mean=0, stddev=1), name="var")
print(e)
print(var)
# 初始化所有变量的op
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    # 必须初始化op，才可运行
    sess.run(init_op)
    # tensorboard 写入
    tf.summary.FileWriter("tmp/summary/test", graph=sess.graph)
    print(sess.run([g, var]))

结果

<tensorflow.python.framework.ops.Graph object at 0x0000020B45A05B38>
9.0

Device mapping: no known devices.
add: (Add): /job:localhost/replica:0/task:0/cpu:0
add/y: (Const): /job:localhost/replica:0/task:0/cpu:0
Const: (Const): /job:localhost/replica:0/task:0/cpu:0
12.0
13.0
Tensor("Placeholder:0", shape=(?, 3), dtype=float32)
Tensor("Placeholder:0", shape=(2, 3), dtype=float32)
Tensor("Reshape:0", shape=(3, 2), dtype=float32)
[[1. 2. 3.]
 [4. 5. 6.]]
********************

--------------------
name: "add"
op: "Add"
input: "Const"
input: "add/y"
attr {
  key: "T"
  value {
    type: DT_FLOAT
  }
}
--------------------
add:0
--------------------
()
********************
Tensor("e:0", shape=(), dtype=float32)
Tensor("var/read:0", shape=(2, 3), dtype=float32)
[3.0, array([[-0.24931028,  0.10012802, -0.8845826 ],
       [-0.08898215, -0.87531203, -0.5762032 ]], dtype=float32)]

四、总的来说还是很灵活的。使用数据流图，预先配置好关系图，通过数据传输的方式进行下一步操作。

以会话的方式进行资源等的控制，减少人为造成的问题。

总的来说，灵活性和适用性还是很不错的。