Tensorflow学习笔记：Tensorflow基础复习

#tensorflow图操作
    1、graph = tf.get_default_graph()获取默认图，返回图所在的内存空间
    2、new_graph = tf.Graph()    创建新图
    with new_graph.as_default():    #使用上下文环境
        c = tf.constant(11.0)
        
    3、一张图包含了一组op和tensor
    op：只要使用tf的API定义的函数接口都是op
    tensor：就是指代数据，有的op内部装有tensor
#tensorflow前端系统与后端系统
    前端系统：定义图的结构
    后端系统：会话：运行图的结构，分配cpu与gpu资源，掌控资源（TF变量生命周期、队列、线程）
#session.run()
    用session.run()启动一个图的运行，用sess.close()释放内存
    使用上下文管理器运行会话，结束后自动调用sess.close()释放资源
    with tf.Session() as sess:
        sess.run()
    sess内的参数congif = tf.ConfigProto(log_device_placement = True)
#变量的eval函数
    有了上下文函数，就可以使用a.eval()来run出a的值
#会话的run函数
    run([])如果需要计算多个op，需要用列表传入    
    不能运行非op，如python自带的int
    可以用int + op,比如a = 3,b = tf.constant(2)+a,则b是op    
    
#feed_dict
    可以给变量赋不同的值给placeholder，用于实时提供数据进行训练

#placeholder（一种op）
    placeholder(dtype,shape = None,name = None)
    比如    
    a = tf. placeholder(float32,[2,3])    
    with tf.Session() as sess:
        sess.run(a,feed_dict = {a:[[1,2,3],[4,5,6]]})
    行数不确定，用None代替，传入时可以传入多组数量不定的数据
    
#张量的阶
    一个类型化的数据格式tf.Tensor()
    张量存在于一个op中，有三个重要参数
    Tensor("op_name:0",shape,dtype)

#数据类型dtype
    tf.float32 float64 #float64其实会被转化成float32，并没有实际意义
    tf.int64 int32 int16 int8 uint8    #一般用int32
    tf.string 长度可变的字符数组

#张量的属性
    graph
    op
    name 
    shape
#shape讲解
    维数    打印结果
    0    ()
    1     (5)
    2    (5,7)
    3    (?,3,4)
    ...    ...
    打印问好则未固定
#shape的动态修改和静态修改
    静态修改
        tf.Tensor.get_shape()获取形状
        tf.Tensor.set_shape()静态设置形状
    对于静态形状而言，一旦形状确定（没有None）则不能再改变，且维度也不能修改

    动态修改
        tf.reshape()    
    元素总量不能改变，否则多余的数据和少的数据无法处理或补全
    对于元素数量未定的张量，可以将之更改为任意类型的张量
    
#张量操作->生成张量
    tf.zeros(shape,dtype,name=None)
    tf.ones(shape,dype,name=None)
    创建随机值张量
    tf.random_normal(shape,mean,stddev=1.0,dtype=tf.float32,seed=None,name=None)

#张量数据类型转换
    tf.cast(src,dtype,name=None)
#张量合并
    tf.concat((value1,value2...),axis = 0)
    #axis代表用行还是列拼接
#变量tf.Variable()
    也是一种op，是一种特殊的张量，默认能够被训练
#变量的创建
    tf.Varibale(initial_value = None,name=None,trainable = True)
#变量的初始化
    init_op = tf.global_variables_initializer()
    sess.run(init_op)

#可视化tensorboard
    tf.summery.FileWriter('path',graph=x) #x可以是get_default_graph得到的，也可以是一个图中变量a.graph得到的；path是路径名，不是文件名，文件名由程序决定
    然后命令行下输入
    tensorboard --logdir="C:\Users\xie\event"
    路径下如果有多个文件，默认取最新的文件
    op节点都有name参数，用于设置在tensorboard中显示的名字