tensorflow新手入门学习笔记

• 入门基本内容
• option
• 变量
• 框架的启动
• tensorflow运行时两个警告消除方法
• FutureWarning: Conversion of the second argument of issubdtype from `float` to `np.floating` is deprecated. In future, it will be treated as `np.float64 == np.dtype(float).type`.
• Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX AVX2

入门基本内容

tensorflow是一个很有意思的框架。tensor是这个框架里的一个主要的数据类型，本质类似一个多维数组。框架的主体是图，一般只使用默认图即可。高阶用法可以管理多个图。在这个框架中所有运算（option）都是一个节点，数据（tensor）就在不同的节点间流动（flow），通过运算发生改变，这就是tensorflow名称的由来。在创建阶段，将需要的节点加入图中，之后通过图调用不同节点进行运算。不同节点之间是并行运行的。

option

option即节点，就像是一个函数，数据传进来，然后返回运算后的结果。
添加option的语法为 y = tf.option(x1,x1,…,xn)。
其中输入输出均为tensor，一般输入都是其他option的输出。如果需要使用临时的tensor作为输入，则需要使用以下代码。

x1 = tf.placeholder(tf.types.float32)

这行代码就创建了一个float32类型的临时tensor，实际使用时需要给input1临时赋值，使用feed语句。

feed_dict={x1:[7.]}

完整代码示例如下：

x1 = tf.placeholder(tf.types.float32) #创建一个临时tensor
x2 = tf.constant(3.0) #创建一个返回常量的option
y = tf.add(x1 , x2) #创建一个运行加法的option

feed语句在调用时使用，后面讲。

变量

在tensorflow中使用tf.Variable创建变量：

#创建一个值为0，名字为“one_variable”的变量
x = tf.Variable(0, name = "one_variable")

变量有很多操作，因为刚入门，只写最简单的赋值操作：

x = tf.Variable(0., name = "one_variable") #创建变量
value = tf.constant(2.0) #创建常量
update = tf.assign(x, value) #用value给x赋值，注意要类型相同

框架的启动

tensorflow框架的主体是图，程序的运算节点都是添加在图里的，在运行时通过图取得节点的运算结果。

sess = tf.Session() #创建图对象，没有参数的默认情况下启动默认图

要通过图取得节点的运算结果，就要了解tensorflow中的fetch概念。
fetch英文原义是去某个地方取得某个东西，这里的意思也类似。fetch指从图中获取某一个或者某几个节点的运算结果。
代码如下：

x1 = tf.constant(2.0)           #一个返回常量值的节点
x2 = tf.constant(3.0)           #另一个返回常量值的节点
sess = tf.Session()             #创建图对象
y = sess.run(x1)                #运行图，取得x1值并返回，即fetch
print(y)                        #输出y
#输出结果：2.0
y = sess.run([x1, x2])          #运行图，取得x1, x2值并返回，即fetch
print(y)                        #输出y
#输出结果：[2.0, 3.0]

需要注意的是，在图中节点没有先后顺序，是并行的。fetch时，图会自动运行所有涉及到的节点，一次取回所有结果。
下面就附上入门篇比较完整的代码，庆祝自己又熟练掌握了一种“Hello, World!”:

import tensorflow as tf

#基本变量与常量节点定义
hello = tf.constant('Hello, World!')
one = tf.constant(1.0)
three = tf.constant(3.0)
temp = tf.placeholder(tf.float32)
variable = tf.Variable(0.0, name = 'counter')

#主要计算节点定义
add_one_three = tf.add(one, three)
add_variable_one = tf.add(variable, one)
add_one_temp = tf.add(one, temp)
update = tf.assign(variable, add_variable_one)

#初始化节点，有变量时需要
init_op = tf.global_variables_initializer()

#创建图对象
sess = tf.Session()

#初始化
sess.run(init_op)

#计算与输出
y = sess.run(hello)
print(y)
#输出：b'Hello, World'

y = sess.run([one, three])
print(y)
#输出：[1.0, 3.0]

y = sess.run(add_one_three)
print(y)
#输出：4.0

y = sess.run(add_one_temp, feed_dict = {temp: 9.0})
print(y)
#输出：10.0

for i in range(3):
sess.run(update)
y = sess.run(variable)
print(y)
#输出：
#1.0
#2.0
#3.0

#关闭图
sess.close()

tensorflow运行时两个警告消除方法

在跑demo的过程中一直有两个警告，虽然没有什么影响，但是还是很不舒服，一顿操作后终于解决了这两个问题。

FutureWarning: Conversion of the second argument of issubdtype from

float

to

np.floating

is deprecated. In future, it will be treated as

np.float64 == np.dtype(float).type

.

这个是库里h5py包版本过旧，更新即可，使用命令：

pip install h5py==2.8.0rc1

更新后警告就消失了。

Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX AVX2

这个是因为tensorflow支持对cpu的优化，但是默认安装的tensorflow都是X86_64的SIMD版本，跟AVX2的SIMD版本cpu指令集不同。
解决办法就是先卸载现有的tensorflow，使用指令：

pip uninstall tensorflow

然后在github上找到自己版本的tensorflow下载。
链接如下：
windows
其他操作系统
我下载的是1.12.0\py36\CPU\avx2，因为我的python版本是3.6，之后使用指令：

pip install tensorflow-1.12.0-cp36-cp36m-win_amd64.whl

重新安装下载的tensorflow即可。
注：下载不同版本的tensorflow使用的安装指令也不同，先在cmd中进入下载文件所在的目录再使用指令安装，不然会找不到文件。