TensorFlow(二)：基本概念以及练习

一：基本概念

• 1、使用图(graphs)来表示计算任务
• 2、在被称之为会话(Session)的上下文(context)中执行图
• 3、使用tensor表示数据
• 4、通过变量(Variable)维护状态
• 5、使用feed和fetch可以为任意的操作赋值或者从其中获取数据

TensorFlow是一个编程系统，使用图（graphs）来表示计算任务，图（graphs）中的节点称之为op（operation），一个op获得0个或多个tensor，执行计算，产生0个或多个tensor。tensor看做是一个n维的数组或列表。图必须在会话（Session）里被启动。

二：TensorFlow结构

三：简单练习

1、热身前技巧：

a、首先在桌面创建一个专门用来存放TensorFlow代码的文件夹，以后把全部和TensorFlow相关的代码存放在该文件夹下。

b、打开jupyter：首先打开系统终端（cmd）：进入刚才创建的存放代码的文件夹（比如我的study_tensor）输入：cd C:\Users\felix\Desktop\study_tensor

进入后输入jupyter notebook

会再浏览器中打开jupyter notebook的编辑环境。（这样打开的话，默认jupyter的工作环境就是刚才创建的文件夹了）

新建工作环境。

如下图表示成功进入工作环境：

2、切入正题，撸代码

shift+enter　　执行代码

tab　　代码提示

shift+tab　　详情提示

a、创建图和启动图

import tensorflow as tf

# 创建一个常量op

m1=tf.constant([[3,3]])

# 创建一个常量op

m2=tf.constant([[2],[3]])

# 创建一个矩阵乘法的op，把m1，m2传入

product=tf.matmul(m1,m2)

print(product) #直接打印并没有执行

# 定义一个会话，自动默认图

sess=tf.Session()

# 调用sess的run方法来执行矩阵乘法op

# run(product)触发图中3个op

result=sess.run(product)

print(result)

sess.close() # 关闭

# 将上一句简化

with tf.Session() as sess:

    # 调用sess的run方法来执行矩阵乘法op

    # run(product)触发图中3个op

    result=sess.run(product)

    print(result)

创建图，启动图

图中的每一个代码块都执行了。（按shift+enter执行）

b、变量

import tensorflow as tf

x=tf.Variable([1,2]) # 创建一个变量op

a=tf.constant([3,3]) # 创建一个常量op

# 增加一个减法op

sub=tf.subtract(x,a)

# 增加一个加法op

add=tf.add(x,sub)

# 初始化全部的变量，不初始化会出问题

init=tf.global_variables_initializer()

with tf.Session() as sess:

    sess.run(init)# 先进行变量的初始化

    print(sess.run(sub))

    print(sess.run(add))

state=tf.Variable(0,name='counter')# 初始化变量为0，可以给变量起名字

new_value=tf.add(state,1) # 创建一个op，作用是使state加1

update=tf.assign(state,new_value) # 将后面的值赋值给前面的值，赋值op

# 初始化全部的变量，不初始化会出问题

init=tf.global_variables_initializer()

with tf.Session() as sess:

    sess.run(init)# 先进行变量的初始化

    print(sess.run(state))

    for i in range(5):

        sess.run(update)

        print(sess.run(state))

变量

c、fetch和feed

import tensorflow as tf

# fetch 可以执行多个op

input1=tf.constant(3.0)

input2=tf.constant(2.0)

input3=tf.constant(5.0)

add=tf.add(input2,input3)

mul=tf.multiply(input1,add) # 乘法op

with tf.Session() as sess:

    result=sess.run([mul,add]) # 同时运行多个op，就是fetch

    print(result)

# feed 以字典的形式传入值

input1=tf.placeholder(tf.float32) # 创建一个占位符，具体的值可以在运行的时候传入

input2=tf.placeholder(tf.float32) # 创建一个占位符

output=tf.multiply(input1,input2)

with tf.Session() as sess:

    # feed的数据以字典的形式传入

    result=sess.run(output,feed_dict={input1:[7.0],input2:[2.0]})

    print(result)

fetch和feed

d、简单示例-优化线性模型，使模型接近样本

import tensorflow as tf

import numpy as np  # pip3 install numpy安装

# 使用numpy生成100个随机点

# 样本

x_data=np.random.rand(100)

y_data=x_data*0.1+0.2 # 直线  标准直线

# 构造一个线性模型

b=tf.Variable(0.0)

k=tf.Variable(0.0)

y=k*x_data+b

# 使用TensorFlow优化k 和 b 来优化线性模型，使其接近样本

# 二次代价函数

loss=tf.reduce_mean(tf.square(y_data-y)) # reduce_mean求平均值，tf.square计算平方

# 定义一个梯度下降法来进行训练的优化器

optimizer=tf.train.GradientDescentOptimizer(0.2) # 0.2为学习率，梯度下降的优化器

# 最小化代价函数

train=optimizer.minimize(loss)

# 初始化变量

init=tf.global_variables_initializer()

with tf.Session() as sess:

    sess.run(init)# 初始化

    for step in range(201):# 进行迭代

        sess.run(train)

        if step%20==0: # 每20次输出一次结果

            print(step,sess.run([k,b]))

# 发现结构k值越来越接近0.1，b值越来越接近0.2

简单示例 优化线性模型