TensorFlow安装使用入门

参考网页：http://wiki.jikexueyuan.com/project/tensorflow-zh/

TensorFLow基本特征

使用图（graph）来表示计算任务。

在会话（Session）的上下文（context）中执行图。

使用tensor表示数据。

使用变量（Variable）维护状态。

使用feed和fetch可以为任意的操作赋值和从中获取数据。

TensorFlow计算的单位是OP，它表示了某种抽象计算。

Python3安装TensorFlow

pip3 install tensorflow

简单使用

1. 构建图

构建图的第一步是创建源op（source op）,源op不需要任何输入，源op的输出被传递给其他op做运算。

TensorFlow Python 库有一个默认图 (default graph), op 构造器可以为其增加节点. 这个默认图对 许多程序来说已经足够用了。

xzw@bogon:~$ python3
>>> import tensorflow as tf
>>> #创建一个常量op，产生一个1x2矩阵，这个op被作为一个节点，加到默认图中
... #构造器的返回值代表常量op的返回值
...
>>> matrix1 = tf.constant([[3.,3.]])
>>> #创建另外一个常量op，产生一个2X1矩阵
...
>>> matrix2 = tf.constant([[2.],[2.]])
>>> #创建一个矩阵乘法matmul op,把‘matrix’
... #和‘matrix2’作为输入，返回值代表矩阵乘法的结果
...
>>> product = tf.matmul(matrix1, matrix2)

2. 启动图

为了真正进行矩阵相乘运算, 并得到矩阵乘法的 结果, 你必须在会话里启动这个图。

启动图第一步书创建一个Session对象，如果没有创建任何参数，会话构造器会启动默认的图。

>>> #启动默认图
...
>>> sess = tf.Session()
>>> #调用Sess的run方法来执行矩阵乘法op，整个执行过程是自动化的，会话负责
... #传递op所需要的全部输入，op通常是并发执行的
... #返回值‘result’是一个numpy ’ndarry‘对象
...
>>> result = sess.run(product)
>>> print(result)
[[ 12.]]
>>> #任务结束关闭会话
...
>>> sess.close()

变量、Fetch、Feed

1. 变量

变量维护图执行过程中的状态信息. 下面的例子演示了如何使用变量实现一个简单的计数器。

>>> #创建一个变量，初始化变量为0
...state = tf.Variable(0, name="counter")
>>> #创建一个op，其作用是使state增加1
... one = tf.constant(1)
>>> new_value = tf.add(state, one)
>>> update = tf.assign(state,new_value)
>>> #启动图后，变量必须经过’初始化‘，首先增加一个’初始化‘op到图中
...init_op= tf.global_variables_initializer()
>>> with tf.Session() as sess:
...     #运行 'init' op
...     sess.run(init_op)
...     #打印’state‘的初始值
...     print (sess.run(state))
...     #运行op，更新'state'并打印‘state’
...     for _ in range(3):
...             sess.run(update)
...             print(sess.run(state))
...
0
1
2
3

assign() 操作是图所描绘的表达式的一部分, 正如 add() 操作一样. 所以在调用 run() 执行表达式之前, 它并不会真正执行赋值操作.

你可以将一个神经网络的权重作为某个变量存储在一个 tensor 中. 在训练过程中, 通过重复运行训练图, 更新这个 tensor.

2. Fetch

为了取回操作的输出内容, 可以在使用 Session 对象的 run() 调用 执行图时, 传入一些 tensor, 这些 tensor 会帮助你取回结果.

>>> import tensorflow as tf
>>> input1 = tf.constant(3.0)
>>> input2 = tf.constant(2.0)
>>> input3 = tf.constant(5.0)
>>> intermed =  tf.add(input2, input3)
>>> mul = tf.mulitiy(input1, intermed)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
AttributeError: module 'tensorflow' has no attribute 'mulitiy'
>>> mul = tf.multiple(input1, intermed)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
AttributeError: module 'tensorflow' has no attribute 'multiple'
>>> mul = tf.multiply(input1, intermed)
>>> with tf.Session() as sess:
...     result= sess.run([mul,intermed])
...     print(result)
...
[21.0, 7.0]

需要获取的多个 tensor 值，在 op 的一次运行中一起获得（而不是逐个去获取 tensor）

3. Feed

Feed机制可以临时替代图中的任意操作中的tensor,可以对图中任何操作提交一个补丁，直接插入一个tensor。

最常见的用例是将某些特殊的操作指定为 “feed” 操作, 标记的方法是使用 tf.placeholder() 为这些操作创建占位符。

>>> import tensorflow as tf
>>> input1 = tf.placeholder(tf.float32)
>>> input2 = tf.placeholder(tf.float32)
>>> output = tf.mul(input1, input2)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
AttributeError: module 'tensorflow' has no attribute 'mul'
>>> output = tf.multiply(input1, input2)
>>> with tf.Session() as sess:
...     print(sess.run([output],feed_dict={input1:[7.], input2:[2.]}))
...
[array([ 14.], dtype=float32)]